如何在Keras函数式模型中添加层并访问InceptionResNetV2层输出

要访问预训练模型的中间层输出（比如最后卷积层），不需要重构整个训练流程，有两种直接的实现方式：

方法一：构建多输出模型（训练时同时保留特征输出） #

修改你的模型定义，将InceptionResNetV2的最后卷积层输出也作为模型的一个输出。首先确认基础模型的最后卷积层名称——对于include_top=False的InceptionResNetV2，最后一个卷积激活层通常是conv_7b_ac，你可以通过print(base.summary())验证。

修改后的代码如下：

from tensorflow.keras import layers, models
import tensorflow as tf
InceptionResNetV2 = tf.keras.applications.inception_resnet_v2.InceptionResNetV2

def get_base():
    conv_base = InceptionResNetV2(weights=None, include_top=False, input_shape=(224, 224, 3))
    conv_base.trainable = False
    return conv_base

def get_model():
    base = get_base()
    # 明确获取最后卷积层的输出
    last_conv_output = base.get_layer('conv_7b_ac').output

    inputs = tf.keras.Input(shape=(224, 224, 3))
    # 先让输入经过基础模型，触发层的计算
    _ = base(inputs, training=False)
    
    x = layers.Flatten()(base.output)
    x = layers.Dense(512, "relu")(x)
    x = layers.Dropout(0.25)(x)
    x = layers.Dense(256, "relu")(x)
    x = layers.Dropout(0.25)(x)
    dims = layers.Dense(2, name="Valence_Arousal")(x)
    expression = layers.Dense(2, name="Emotion_Category")(x)

    # 模型输出包含分类结果和最后卷积层特征
    model = models.Model(inputs=[inputs], outputs=[expression, dims, last_conv_output])
    return model

# 查看模型结构，确认输出包含三个部分
print(get_model().summary())

训练时可以只关注前两个分类输出的损失，第三个输出不需要计算损失：

model = get_model()
model.compile(
    optimizer='adam',
    loss=['sparse_categorical_crossentropy', 'mse', None],  # 第三个输出无损失
    metrics=['accuracy']
)

推理时，直接获取第三个输出就是最后卷积层的特征图：

expression_pred, dims_pred, last_conv_feat = model.predict(your_input_data)

方法二：训练完成后，单独构建特征提取模型 #

如果不想修改原训练模型，可以在训练完成后，基于原模型的输入和目标层输出创建一个新的特征提取模型：

# 假设你已经训练好原模型，加载或获取原模型实例
original_model = get_model()

# 获取基础模型的最后卷积层
base_model = original_model.get_layer(original_model.layers[1].name)
last_conv_layer = base_model.get_layer('conv_7b_ac')

# 构建特征提取模型
feature_extractor = models.Model(
    inputs=original_model.input,
    outputs=[
        original_model.output[0],  # Emotion_Category输出
        original_model.output[1],  # Valence_Arousal输出
        last_conv_layer.output     # 最后卷积层特征
    ]
)

# 使用该模型获取所需输出
expression_pred, dims_pred, last_conv_feat = feature_extractor.predict(your_input_data)

注意事项 #

• 层名称确认：不同版本的TensorFlow可能会有层名称细微差异，一定要通过base.summary()查看准确的最后卷积层名称。
• Grad-CAM后续步骤：拿到最后卷积层特征图后，需要结合对应分类头的梯度进行加权求和，再经过ReLU和上采样得到热力图，这部分逻辑可以基于获取到的特征图和模型梯度实现。

内容的提问来源于stack exchange，提问作者Salih F. Canpolat