微调预训练模型时，修改base_model为何会影响model2？

这本质是Keras中层实例的引用机制在起作用，核心点如下：

• 你通过base_model = model2.layers[4]获取的不是base_model的副本，而是model2内部那个base_model层的直接引用。也就是说，这个base_model变量和model2里的base_model层是同一个对象，只是名字不同而已。
• 当你对这个base_model做解冻操作时，比如设置部分层的trainable=True，本质就是在修改model2内部那个base_model层的状态——毕竟它们是同一个东西。
• 后续编译model2的时候，Keras会扫描模型内所有层的trainable状态，生成对应的参数更新规则。这时候model2里的base_model层已经是部分解冻的状态了，训练时自然会更新这些层的参数，最终带来准确率的提升。

打个通俗的比方：你把一个抽屉（base_model）放进柜子（model2）里，之后你把抽屉从柜子里拉出来（通过model2.layers[4]获取引用），调整了抽屉里的隔板（解冻层），哪怕你没把抽屉推回去，柜子里的那个抽屉已经是调整后的状态了——因为你动的本来就是同一个抽屉。

内容的提问来源于stack exchange，提问作者boulder_ruby