如何使用预训练的 keras 模型作为模型添加函数的参数？

Question

我正在将 Deep Learning with python 中的预训练模型教程应用到 kaggle 上的数据集。下面是我的 CNN 架构代码，虽然很简单，但我得到了这个错误：

TypeError：添加的层必须是类Layer的实例。找到：keras.engine.training.Model 对象位于 0x7fdb6a780f60

我在使用原生 keras 时能够做到这一点，但在尝试使用 tensorflow 2.0 时遇到了问题

from keras.applications.vgg16 import VGG16

base = VGG16(weights='../input/vgg16/vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5',
             include_top=False,
             input_shape=(150,225,3))

model = models.Sequential()
model.add(base)
model.add(layers.Flatten())
model.add(layers.Dense(256, activation='relu'))
model.add(layers.Dense(1, activation='sigmoid'))

base.summary()

Answer 1

你需要切换到functional API，因为顺序模型只接受层：

from keras.applications.vgg16 import VGG16

base = VGG16(weights='../input/vgg16/vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5',
             include_top=False,
             input_shape=(150,225,3))

in = Input(shape=(150,225,3))
base_out = base(in)
out = Flatten()(base_out)
out = Dense(256, activation='relu')
out = Dense(1, activation='sigmoid')
model = Model(in, out)
model.summary()

注意如何将模型用作功能 API 中的层。