我目前正在学习使用Keras实现分层训练模型。我的解决方案很复杂且耗时，有人可以给我一些建议吗？也有人可以解释Keras的拓扑结构，特别是nodes.inbound_layer，input_tensors之间的关系以及它们与张量相关联的方式：output_tensors和input_tensors[i] == inbound_layers[i].inbound_nodes[node_indices[i]].output_tensors[tensor_indices[i]]？从拓扑source codes on github，我很困惑：
inbound_nodes
为什么output_tensors包含model.compile()，我不清楚它们之间的关系......如果我想删除API model某些位置的图层，我该怎么办？首先删除？另外，在某些地方添加图层时，我该先做什么？
这是我对分层训练模型的解决方案。我可以在Sequential模型上执行此操作，现在尝试在API model：
要做到这一点，我只需在完成上一次训练后添加一个新图层并重新编译（model.fit()）并重新拟合（model.pop()）。
由于Keras模型需要输出层，我总是会添加一个输出层。因此，每当我想添加一个新图层时，我必须删除输出图层然后再添加它。这可以使用model完成，在这种情况下，keras.Sequential()必须是Sequential()模型。
model.add(layer)模型支持许多有用的功能，包括model=Model(input=...., output=....)。但是对于使用模型API的自定义模型：pop()，不支持那些add()或{{1}}函数，并且实现它们需要一些时间，也许不方便。