Keras中ConvNet添加额外输入节点及Sequential模型中间层输出获取方法

当然可以用Keras实现你的需求！针对你提到的两个问题，我来给你详细说明具体的实现方式：

你的核心需求是把图像卷积提取的特征和额外输入参数融合后再做分类，但Sequential模型是线性的流水线结构，没法直接处理多输入分支，所以这里需要用到Keras的Functional API——它是构建复杂多输入、多输出模型的最佳选择。

具体步骤如下：

• 先搭建图像特征提取分支（就是你原来的卷积+池化+Flatten部分）
• 单独定义额外输入参数的分支（可以直接接收原始参数，也可先做简单的全连接变换）
• 在第一个全连接层前，把图像特征和额外参数的输出拼接起来
• 继续后面的全连接层和分类输出

给你写个完整的示例代码：

from tensorflow.keras import layers, Model

# 1. 图像输入分支，替换成你的实际图像尺寸
image_input = layers.Input(shape=(img_height, img_width, channels))  
x = layers.Conv2D(8, [3,3], activation='relu', padding='same')(image_input)
x = layers.MaxPool2D([2,2], 2, padding='valid')(x)
x = layers.Conv2D(16, [3,3], activation='relu', padding='same')(x)
x = layers.MaxPool2D([2,2], 2, padding='valid')(x)
image_features = layers.Flatten()(x)

# 2. 额外输入参数分支，替换成你的实际参数数量
extra_input = layers.Input(shape=(num_extra_params,))  

# 3. 拼接两个分支的特征（如果需要，可先给额外参数加一层Dense做变换）
combined_features = layers.Concatenate()([image_features, extra_input])

# 4. 后续全连接层和分类输出（建议给全连接层加上激活函数，提升模型表达能力）
x = layers.Dense(256, activation='relu')(combined_features)
x = layers.Dense(64, activation='relu')(x)
output = layers.Dense(1, activation='sigmoid')(x)

# 5. 定义完整模型
model = Model(inputs=[image_input, extra_input], outputs=output)

# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 训练时，输入是包含图像数据和额外参数的列表
# model.fit([image_data, extra_params], labels, epochs=10, batch_size=32)

完全可以做到！Sequential模型虽然是线性结构，但你可以通过创建子模型的方式轻松获取任意中间层的输出，这里有两种常用方法：

方法一：通过层索引构建子模型 #

比如你想获取原模型中Flatten层的输出（对应原模型的第4层，索引从0开始），可以这么做：

from tensorflow.keras import Model

# 假设你的原Sequential模型叫new
flatten_output_model = Model(inputs=new.input, outputs=new.layers[4].output)

# 用这个子模型预测，就能得到Flatten层的输出
flatten_features = flatten_output_model.predict(your_image_data)

如果想同时获取多个中间层的输出，比如第一个MaxPool和Flatten层的输出，只需把outputs改成列表：

multi_layer_model = Model(inputs=new.input, outputs=[new.layers[1].output, new.layers[4].output])
maxpool_features, flatten_features = multi_layer_model.predict(your_image_data)

方法二：通过层名称构建子模型 #

如果你记不清层的索引，建议给模型层命名，之后用get_layer方法精准获取：

# 先给原Sequential模型的层添加名称（定义时就加上更方便）
new = Sequential([
    Conv2D(8, [3,3], activation='relu', padding='same', name='conv1'),
    MaxPool2D([2,2], 2, padding='valid', name='pool1'),
    Conv2D(16, [3,3], activation='relu', padding='same', name='conv2'),
    MaxPool2D([2,2], 2, padding='valid', name='pool2'),
    Flatten(name='flatten'),
    Dense(256, name='dense1'),
    Dense(64, name='dense2'),
    Dense(1, activation='sigmoid', name='output')
])

# 通过层名称获取输出
flatten_layer = new.get_layer('flatten')
flatten_output_model = Model(inputs=new.input, outputs=flatten_layer.output)

这样不管层的顺序怎么调整，只要名字不变，就能准确获取对应层的输出。

内容的提问来源于stack exchange，提问作者immortal18