我目前正在学习使用 Keras 实现分层训练模型。我的解决方案复杂且耗时，有人可以给我一些建议以简单的方式完成吗？也有人可以解释 Keras 的拓扑结构，尤其是 之间的关系nodes.outbound_layer，nodes.inbound_layer以及它们如何与张量相关联：input_tensors和output_tensors？从github 上的拓扑源代码，我很困惑：
input_tensors[i] == inbound_layers[i].inbound_nodes[node_indices[i]].output_tensors[tensor_indices[i]]
为什么inbound_nodescontains output_tensors，我不清楚它们之间的关系....如果我想删除 的某些位置的图层API model，我应该首先删除什么？另外，在某些地方添加图层时，我应该先做什么？
这是我对分层训练模型的解决方案。我可以在 Sequential 模型上做到这一点，现在尝试在API model：
为此，我只需在完成之前的训练并重新编译（model.compile()）和重新拟合（model.fit()）后添加一个新层。
由于 Keras 模型需要输出层，所以我总是会添加一个输出层。结果，每次我想添加一个新层时，我都必须删除输出层然后再添加回来。这可以使用 来完成model.pop()，在这种情况下model必须是keras.Sequential()模型。
该Sequential()模型支持许多有用的功能，包括model.add(layer). 但是对于使用模型 API: 的自定义模型model=Model(input=...., output=....)，这些pop()或add()功能不受支持，实现它们需要一些时间，而且可能不方便。