原始代碼太過冗長，因此我將嘗試用一個(gè)簡化的例子來解釋這個(gè)問題。首先，導(dǎo)入我們需要的庫：import tensorflow as tffrom keras.applications.resnet50 import ResNet50from keras.models import Modelfrom keras.layers import Dense, Input然后加載預(yù)先訓(xùn)練的模型并打印出摘要。model = ResNet50(weights='imagenet')model.summary()（我剪切了summary()函數(shù)的輸出以節(jié)省一些空間。）現(xiàn)在，所有層參數(shù)都是可訓(xùn)練的。為了示例，我將一個(gè)可訓(xùn)練參數(shù)設(shè)置False為如下。model.get_layer('bn5c_branch2c').trainable = False目前，除bn5c_branch2c層外，所有其他層仍可訓(xùn)練。接下來，使用此原始模型創(chuàng)建一個(gè)新模型，但讓它成為串聯(lián)模型。in1 = Input(shape=(224, 224, 3), name="in1")in2 = Input(shape=(224, 224, 3), name="in2")out1 = model(in1)out2 = model(in2)new_model = Model(inputs=[in1, in2], outputs=[out1, out2])并再次打印摘要：new_model.summary()__________________________________________________________________________________________________Layer (type)                    Output Shape         Param #     Connected to                     Total params: 25,636,712Trainable params: 25,583,592Non-trainable params: 53,120__________________________________________________________________________________________________在這一點(diǎn)上，我已經(jīng)失去了查看哪些層可訓(xùn)練和不可訓(xùn)練的能力，因?yàn)樵糝esNet50模型的所有層現(xiàn)在都顯示為一個(gè)層。如果我運(yùn)行以下代碼，它將給我True：new_model.get_layer('resnet50').trainable    # Returns True問題1）我確實(shí)在模型中將bn5c_branch2c層的可訓(xùn)練參數(shù)設(shè)置為False 。我可以假設(shè)即使在new_model中，bn5c_branch2c的可訓(xùn)練值仍然為False嗎？問題2）如果上述問題的答案為是（意味著new_model中bn5c_branch2c層的可訓(xùn)練參數(shù)值仍然為False）...如果我以后保存了此new_model的體系結(jié)構(gòu)和權(quán)重，然后再次加載它們以進(jìn)行進(jìn)一步訓(xùn)練這個(gè)new_model ...我可以相信bn5c_branch2c的可訓(xùn)練參數(shù)值將保持為False嗎？