我想微调VGG16模型。但是，一旦将自定义分类器与基于vgg16的分类器结合起来，性能就会下降。这些是我正在采取的步骤：
我创建一个base_model，它是一个VGG16模型，并使用它从base_model的最后一层（即block5_pool（shape =（7，7，512）））中提取瓶颈特征。到目前为止，一切都很好。
接下来，我将使用提取的功能在顶部训练分类器模型（top_model）。
from keras.layers import Input
visible = Input(shape=(7, 7, 512))
x = Flatten()(visible)
x = Dense(124, activation='relu')(visible)
x = Dense(52, activation='relu')(x)
x = Flatten()(x)
output = Dense(32, activation='softmax')(x)
top_model = Model(inputs=visible, outputs=output)
此模型在验证数据上的性能很好。
现在事情开始崩溃...
接下来，我要微调base_model。我创建了一个新的VGG16模型，然后将其输出传递给训练有素的“ top_model”，以创建和端对端的转换管道。
from keras.applications import VGG16
conv_base = VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3))
output = top_model(conv_base.output)
complete_model = Model(inputs=conv_base.input, outputs=output)
现在要检查一切是否按预期工作（即complete_model与top_model的性能相同，因为没有更新权重），所以我冻结了整个模型。
complete_model.trainable = False
检查complete_model.summary（）确认我的可训练参数为零。
现在，作为完整性检查，在开始进行微调之前，我会评估complete_model的性能。但是，事实证明性能太差了，看起来好像根本没有训练模型。
由于我无法在评估管道中找到该错误，所以我想知道我是否正确使用了功能API来实现自己的意图？
我们非常感谢您的帮助！