tensorflow.keras中对模型输出应用层的操作作用是什么？

代码作用说明 #

这行是Keras函数式API的标准写法，可以拆为两个步骤理解：

• 首先执行layers.Flatten()：仅完成Flatten层的实例化，此时没有绑定输入、也不会执行实际运算，只是初始化了一个具备「张量压平」能力的层对象。
• 之后执行(base_cnn.output)：调用层实例的__call__魔术方法，将ResNet50的输出张量作为输入传入，调用过程会自动完成两个逻辑：
  1. 触发层的build()方法，根据输入张量的维度完成层内部参数的适配初始化
  2. 执行层内置的call()方法，将输入的高维卷积特征张量压平为一维张量

最终返回的压平后张量会赋值给flatten变量，作为后续全连接层的输入。

场景补充 #

你当前代码中调用的ResNet50关闭了顶部全连接层，输出的是四维卷积特征图（格式为(batch_size, 特征图高度, 特征图宽度, 通道数)），Flatten层的作用就是把后三个维度的所有数值展开拼接为一维向量，满足后续Dense全连接层对输入维度的要求。

内容的提问来源于stack exchange，提问作者Michael