我在Keras进行了多阶段的培训，在这里我首先训练一个结构如下的模型：
inpu=Input(shape=(600,))
additive_layer=Dense(1,use_bias=False,activation="linear")(inpu)
lin_model_func=Model(inputs=inpu,output=additive_layer)
我在一些数据上训练了该模型，然后构造了以下第二个模型：
non_linear_layer1=Dense(25,activation="relu")(additive_layer)
non_linear_layer2=Dense(25,activation="relu")(non_linear_layer1)
linear_layer=Dense(1,activation="linear")(non_linear_layer2)
non_lin_model=Model(inputs=inpu,outputs=linear_layer)
并训练更多数据。
我想做的是弄清楚如何将值馈送到non_linear_layer1中，就像它们是加法层的输入一样，也就是说，我想找到加法层上单节点输出之间的关系。 ，以及网络的最终输入。我不清楚在Keras中该如何完成。即我想要一个新的网络，该网络具有上面模型中的经过训练的权重（因此不再进行训练），它期望一个1维输入并输出另一个1维输出。