如何在预训练MobileNetV3搭建的U-net模型顶部添加BN与Dropout额外层？

核心逻辑 #

运行失败的核心原因是两个模型各自定义了独立的输入层，张量计算流没有正确串联。只需要将Model1的输出作为Model2的输入，替换掉Model2原本的独立输入层即可实现堆叠。

完整可运行代码 #

from tensorflow.keras.layers import Input, Conv2DTranspose, Concatenate, Conv2D, BatchNormalization, Dropout
from tensorflow.keras.applications import MobileNetV3Large
from tensorflow.keras.models import Model

# 第一步：定义Model1
input_shape = (256,256,3)
inputs = Input(input_shape)
x = BatchNormalization()(inputs)
x = Dropout(0.5)(x)
model1 = Model(inputs, x)

# 第二步：定义Model2，输入直接使用Model1的输出，不再新建独立Input层
mobilenet = MobileNetV3Large(include_top=False, weights="imagenet", input_tensor=model1.output)

mobilenet.layers[89]._name = "relu_3"
mobilenet.layers[196]._name = "relu_4"

l4 = mobilenet.get_layer("relu_3").output
b_layer = mobilenet.get_layer("relu_4").output   

up = Conv2DTranspose(256, (2, 2), strides=2, padding="same")(b_layer)
up = Concatenate()([up, l4])
conv = Conv2D(256, (3, 3), activation='relu', padding="same")(up)
conv = Conv2D(256, (3, 3), activation='relu', padding="same")(conv)
outputs = Conv2D(1, 1, padding="same", activation="sigmoid")(conv)

# 第三步：串联两个模型，指定整体输入为Model1的输入，输出为Model2的输出
combined_model = Model(inputs=model1.input, outputs=outputs)
combined_model.summary()

注意事项 #

• 如果你已经提前训练好了Model2的权重，加载权重时需要跳过输入层相关的参数，避免形状不匹配报错
• MobileNetV3的预训练权重是基于ImageNet的归一化输入分布训练的，新增的BatchNormalization层初始阶段建议设置较小的学习率，避免破坏预训练特征的分布
• 推理阶段Dropout层会自动关闭，不需要额外手动调整

内容的提问来源于stack exchange，提问作者MSI