全卷积网络结构问题[Tensorflow2.0]

Question

代码如下文，
我的问题是这样，我用的tf搭建了一个基于VGG16的简单FCN模型，运行的也很成功，但是我用plot_model对网络结构进行可视化的时候，却发现，展示出来的图像是惯序的，缺少了迁跃的结构，但是我用model.summary()得到的结果却显示迁跃结构是存在的，所以我不知道是哪里出了问题

import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
import os

# 载入预训练网络 VGG16 使用imagenet数据集
conv_base = tf.keras.applications.VGG16(weights='imagenet',
                                        input_shape=(224,224,3),
                                        include_top=False)



# 创建一个多输出的模型，一劳永逸
# 通过调用子model产生的多输出，来获得原来模型不同层的输出
layer_names = ['block5_pool' ,
               'block5_conv3',
               'block4_conv3',
               'block3_conv3',
                          
]

layers_output = [conv_base.get_layer(layer_name).output for layer_name in layer_names]

# 搭建多输出子模型
multi_out_model = tf.keras.models.Model(inputs = conv_base.input,
                                        outputs = layers_output
                                        )

multi_out_model.trainable = False # 冻结住预训练参数


# 先定义一个输入
inputs = tf.keras.layers.Input(shape=(224,224,3))
# 送入模型，获得输出
out, out_block5_conv3, out_block4_conv3, out_block3_conv3= multi_out_model(inputs)
print(out_block5_conv3.shape,out_block4_conv3.shape,out_block3_conv3.shape,out.shape)

# 开始上采样，一层一层来
# 先将out层7,7,512，上采样成14,14,512
x1 = tf.keras.layers.Conv2DTranspose(512,3,
                                     strides=2,
                                     padding='same',
                                     activation='relu')(out)
x1.shape # [14,14,512]
# 再加一层卷积（不改变大小）来提取x1的特征
x1 = tf.keras.layers.Conv2D(512,3,
                            strides=1,
                            padding='same',
                            activation='relu')(x1)

# 然后与out_block5_conv3[14,14,512]相加
# x2 = tf.add(x1, out_block5_conv3) # [14,14,512] 元素对应相加
# conv_base.get_layer('block5_conv3').output
x2 = x1 + out_block5_conv3

# 然后上采样成 28,28,512
x2 = tf.keras.layers.Conv2DTranspose(512,3,
                                     strides=2,
                                     padding='same',
                                     activation='relu')(x2)
x2.shape # [28,28,512]
# 再加一层卷积（不改变大小）来提取x2的特征
x2 = tf.keras.layers.Conv2D(512,3,
                            strides=1,
                            padding='same',
                            activation='relu')(x2)

x3 = tf.add(x2, out_block4_conv3) # [28,28,512]
# 上采样，成 56,56,256 和 out_block3_conv3相匹配
x3 = tf.keras.layers.Conv2DTranspose(256,3,
                                     strides=2,
                                     padding='same',
                                     activation='relu')(x3)
x3.shape # [56,56,256]
# 再加一层卷积（不改变大小）来提取x3的特征
x3 = tf.keras.layers.Conv2D(256,3,
                            strides=1,
                            padding='same',
                            activation='relu')(x3)

x4 = tf.add(x3, out_block3_conv3) # [56,56,256]

x4.shape # [56,56,256]

# 对x4进行上采样，使得输出通道为3
x5 = tf.keras.layers.Conv2DTranspose(128,3,
                                     strides=2,
                                     padding='same',
                                     activation='relu')(x4)
x5.shape # [112,112,128]
# 再加一层卷积（不改变大小）来提取特征
x5 = tf.keras.layers.Conv2D(128,3,strides=1,padding='same',activation='relu')(x5)

# 继续上采样成 224，224，3
# 因为是多分类输出所以激活函数用softmax
prediction = tf.keras.layers.Conv2DTranspose(3,3,
                                     strides=2,
                                     padding='same',
                                     activation='softmax')(x5)
prediction.shape # [224,224,3] 恢复成原来图片大小了

# model 的创建
model = tf.keras.models.Model(
    inputs=inputs,
    outputs=prediction
)

# 可视化模型结构
#导入下面的库
from tensorflow.keras.utils import plot_model  
import pydotplus  
#参数 ：模型名称，结构图保存位置，是否展示shape
plot_model(model,to_file='./model.png',show_shapes=True)

Answer 1