如何在输入层和“模型作为层”之间放置层？

Question

这有效：

img = Input(shape=(224,224,3))

efnet = EfficientNetB0(

    weights = 'noisy-student',
    include_top = False,
    pooling = None,
    classes = None

)
for layer in efnet.layers:
    layer.trainable = False

x = efnet(img)
# ... any number of layers ...
x = Dense(1)(x)

model = Model(inputs=img, outputs=x)

这不会（“图表已断开”）：

img = Input(shape=(224,224,3))
img = Dropout(0.2)(img)
# ^ "Preprocessing" could be anything, Dropout is a simple example

efnet = EfficientNetB0(

    weights = 'noisy-student',
    include_top = False,
    pooling = None,
    classes = None

)
for layer in efnet.layers:
    layer.trainable = False

x = efnet(img)
# ... any number of layers ... 
x = Dense(1)(x)

model = Model(inputs=img, outputs=x)

两者之间的唯一区别是“预处理”。 为什么这不起作用，以及如何在输入和“模型作为层”之间放置中间层，如上所示？

（在 efnet 声明中指定 input_shape 和/或 input_tensor 无效。事实上，指定 input_tensor 会神秘地导致 efnet 权重无法加载，因为 efnet 显然有 131 层（???）而不是预期的 130。 )

Answer 1

我找到了解决该问题的方法，但我不知道为什么该修复会产生任何影响。

这有效：

img = Input(shape=(224,224,3))
x = Dropout(0.2)(img)
x = efnet(x) 
x = Dense(1)(x)
model = Model(inputs=img, outputs=x)

这不会：

img = Input(shape=(224,224,3))
img = Dropout(0.2)(img)
x = efnet(img) 
x = Dense(1)(x)
model = Model(inputs=img, outputs=x)