怎样用keras实现从预训练模型中提取多层特征？

我想从一个预训练的卷积神经网络的不同层中提取特征，然后把这些不同层的特征拼接在一起，实现如上图一样的网络结构，我写的代码如下

    base_model = VGGFace(model='resnet50', include_top=False)
    model1 = base_model
    model2 = base_model

    input1 = Input(shape=(197,197,3))
    model1_out = model1.layers[-12].output
    model1_in = model1.layers[0].output
    model1 = Model(model1_in,model1_out)
    x1 = model1(input1)
    x1 = GlobalMaxPool2D()(x1)


    x2 = model2(input1)
    x2 = GlobalMaxPool2D()(x2)
    out = Concatenate(axis=-1)([x1,x2])
    out = Dense(1,activation='sigmoid')(out)
    model3 = Model([input1,input2],out)

    from keras.utils import plot_model
    plot_model(model3,"model3.png")
    import matplotlib.pyplot as plt
    img = plt.imread('model3.png')
    plt.imshow(img)

但模型可视化显示如下，两个网络的权值并不共享。

你这个用keras的函数模式就可以实现
https://www.jianshu.com/p/ee2a170b3a12