转移学习后，如何使用原始输出层并获得两个模型的预测？

Question

我使用EfficientNet训练了一个新的网络来进行对象检测，而不是使用EfficientNet的原始输出层，而是将其更改为5个输出密集层（原始层有5个标签）。 在训练过程中，我锁定了所有图层，只训练了我的自定义输出层 我设法在自定义输出层标签中获得了更好的结果  （在EfficientNet中，他们达到了84％，而我设法获得了92％的平均准确率） 我想获得原始的1000个标签以及我自己的5个输出层

TLDR

我要实现的目标是：

假设我有2个神经网络：A，B它们都包含N-1个相同的层和不同的输出层

• （输出层）暗淡为5
• B（输出层）的暗度是1000

因为它们直到输出层都是相同的，所以在输出层之前它们都具有相同的输出

我想运行模型B，然后获取辍学层的输出，针对模型A输出层运行此输出，而不是再次运行两个模型 有可能还是我正面临着XY problem ？ 用2个输出层创建神经网络的正确方法是什么？

我说明了这个问题：

Answer 1

我发现了怎么做，只需要找到分割点 复制第一层并将其输入定向到另一个模型，然后将所有层连接在一起

efficientnet = efn.EfficientNetB0()
retrained_model = load_model(model_path, custom_objects=get_custom_objects())
top_conv = efficientnet.get_layer('top_conv')
top_conv._name = top_conv._name + str("ef0")

top_bn = efficientnet.get_layer("top_bn")
top_bn._name = top_bn._name + str("ef0")

top_activation = efficientnet.get_layer('top_activation')
top_activation._name = top_activation._name + str("ef0")

avg_pool = efficientnet.get_layer('avg_pool')
avg_pool._name = avg_pool._name + str("ef0")

top_dropout = efficientnet.get_layer('top_dropout')
top_dropout._name = top_dropout._name + str("ef0")

probs = efficientnet.get_layer('probs')

probs(top_dropout(
    avg_pool(top_activation(top_bn(top_conv(retrained_model.get_layer('block7a_project_bn').output))))))

model = Model(inputs=retrained_model.input,
                   outputs=[retrained_model.output, probs.get_output_at(0)])
model.summary()
model.save("/home/naor/projects/efficientnetretrainedmodel/bin/model-2-pred.h5")

作为模型A输入创建的新模型，作为[A.output，B.output]输出的新模型