keras根据层名称来初始化网络
def get_model(input_shape1=[75, 75, 3], input_shape2=[1], weights=None):
bn_model = 0
trainable = True
# kernel_regularizer = regularizers.l2(1e-4)
kernel_regularizer = None
activation = 'relu'
img_input = Input(shape=input_shape1)
angle_input = Input(shape=input_shape2)
#
在Keras库中，我们可以利用层的名称来初始化和构建神经网络模型。这在复用预训练模型或者需要对特定层进行微调时非常有用。`get_model`函数就是一个例子，它定义了一个卷积神经网络（CNN）模型，其中包含了多个卷积层、池化层，并且可以接受输入形状的自定义以及权重的指定。
函数`get_model`接收三个参数：`input_shape1`、`input_shape2`和`weights`。`input_shape1`代表图像输入的形状，比如在这里是[75, 75, 3]，代表一个75x75像素的RGB图像。`input_shape2`通常用于非图像数据，如向量特征。`weights`参数用于指定模型的预训练权重，如果为`None`，则模型会随机初始化权重。
函数中定义了两个Input层，`img_input`和`angle_input`，分别对应于图像输入和可能的其他输入（例如角度信息）。这两个输入是模型的起点，后续的层将基于它们构建。
接下来，我们看到一系列的卷积层（Conv2D）和最大池化层（MaxPooling2D），这些构成了模型的主要结构。每个卷积层都指定了激活函数（在这里是ReLU）、填充方式（same）以及是否可训练（`trainable=True`）。此外，还设置了正则化器（`kernel_regularizer`），在这里默认设置为`None`，意味着没有使用L2正则化。如果需要，可以启用L2正则化以防止过拟合。
模型的结构如下：
1. **Block 1**：包含两个3x3卷积层，每个后面跟着ReLU激活函数，然后是一个2x2的最大池化层。这样的组合增加了模型的表达能力，同时减少了特征图的尺寸。
2. **Block 2**：与Block 1类似，也是两个卷积层和一个最大池化层，但通道数增加到128，以进一步提取特征。
3. **Block 3**：通道数进一步增加到256，同样有三个卷积层和一个最大池化层，增强了模型的深度学习能力。
4. **Block 4**：通道数再次增加到512，继续提升模型的复杂度和表示力。
这个模型的设计遵循了VGG-style网络的常见结构，即通过重复的卷积-激活-池化序列来构建深度模型。这种结构在图像识别任务中表现优秀。
虽然这里没有显示完整的模型定义，但通常在这些卷积块之后会接上全局平均池化层（GlobalAveragePooling2D）和全连接层（Dense）来完成分类或回归任务。全连接层通常包含一个或多个隐藏层和一个输出层，输出层的节点数取决于具体任务的目标类别数。
在实际使用`get_model`函数时，你可以通过传递不同的`input_shape`和`weights`来适应不同的输入数据和预训练模型。例如，如果你有一个预训练的VGG16模型的权重文件，你可以加载这些权重到相应名称的层，从而利用迁移学习的优势，快速训练出性能良好的新模型。
