如何在Keras已定义的层之前插入新层？附自编码器网络结构代码

其实在Keras里给已有的模型插入新层分两种常见场景，我结合你的自编码器代码给你一步步讲：

场景1：还没训练，直接修改原始代码（最简单） #

你的代码用的是Keras的Functional API，要在第一个Conv2D层前插入新层，直接在input_img之后、第一个卷积层之前加新层就行。比如我给你加一个像素归一化层（把输入从0-255缩到0-1，这在图像任务里很常用）：

input_img = Input(shape=(target_size[0], target_size[1], 3))
# 这里插入新层，比如Rescaling归一化
x = Rescaling(scale=1./255)(input_img)  
# 原来的第一个Conv2D层现在接新层的输出
x = Conv2D(8, (3, 3), activation='relu', padding='same')(x)
x = MaxPooling2D((2, 2), padding='same')(x)
x = Conv2D(16, (3, 3), activation='relu', padding='same')(x)
x = MaxPooling2D((2, 2), padding='same')(x)
x = Conv2D(32, (3, 3), activation='relu', padding='same')(x)
encoded = MaxPooling2D((2, 2), padding='same')(x)

# 解码器部分保持不变
x = Conv2D(32, (3, 3), activation='relu', padding='same')(encoded)
x = UpSampling2D((2, 2))(x)
x = Conv2D(16, (3, 3), activation='relu', padding='same')(x)
x = UpSampling2D((2, 2))(x)
x = Conv2D(8, (3, 3), activation='relu', padding='same')(x)
x = UpSampling2D((2, 2))(x)
decoded = Conv2D(3, (3, 3), activation='sigmoid', padding='same')(x)

autoencoder = Model(input_img, decoded)

这样修改后，新层就会自动加入模型的计算流程里，直接编译训练就行。

场景2：模型已经训练好，不想重新搭建所有层 #

如果你的自编码器已经训练完成，不想重新写一遍所有层的代码，可以用Functional API的“重构连接”方式，把新层插入到原有模型的输入和第一个层之间：

# 假设你已经有训练好的autoencoder模型
original_input = autoencoder.input

# 定义你要插入的新层，这里还是用Rescaling举例
new_layer_output = Rescaling(1./255)(original_input)

# 从原有模型的第一个可训练层开始，依次连接所有层
current_output = new_layer_output
for layer in autoencoder.layers[1:]:  # 跳过原有模型的Input层（索引0）
    current_output = layer(current_output)

# 构建新的自编码器模型
new_autoencoder = Model(inputs=original_input, outputs=current_output)

# 可以打印新模型结构确认是否插入成功
new_autoencoder.summary()

注意事项： #

• 插入的新层要保证输出形状和原有第一个层的输入形状兼容，比如你插入的是Rescaling，它不改变张量形状，所以完全没问题；如果插入的是Cropping2D或者Resize，要确保后面的Conv2D能处理新的尺寸。
• 如果原有模型有自定义层，要确保这些层在当前环境中是可调用的（比如自定义层的代码已经加载）。

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