TensorFlow加载模型时出现Graph disconnected错误求解决方案

你遇到的ValueError: Graph disconnected错误，本质是模型输入张量与ResNet50层的连接在构建特征提取器时出现断裂。原代码中直接将自带输入层的ResNet50加入Sequential模型，导致输入张量的引用关系混乱，Keras无法追踪完整的计算图。

以下是两种可行的解决方法：

方案一：显式添加Input层到Sequential模型 #

先创建不带输入参数的ResNet50，再在Sequential开头显式加入Input层，确保整个模型的输入路径清晰可追踪。

import tensorflow as tf

num_classes = 10
input_shape = (32, 32, 3)

# 加载ResNet50，不指定input_shape/input_tensor，避免自带输入层
base_model = tf.keras.applications.ResNet50(weights='imagenet', include_top=False)
for layer in base_model.layers:
    layer.trainable = False

# 显式添加Input层作为模型起点，统一输入张量
model = tf.keras.Sequential([
    tf.keras.layers.Input(shape=input_shape),
    base_model,
    tf.keras.layers.GlobalAveragePooling2D(),
    tf.keras.layers.Dense(num_classes, activation='softmax')
])

# 用model.input作为特征提取器的输入，确保计算图连通
extractor = tf.keras.Model(inputs=model.input,
                           outputs=[layer.output for layer in model.layers])

方案二：使用函数式API构建模型（更推荐） #

函数式API能明确追踪输入与各层的连接关系，避免Sequential模型的隐式输入层冲突问题，逻辑更清晰。

import tensorflow as tf

num_classes = 10
input_shape = (32, 32, 3)

# 显式定义输入张量
inputs = tf.keras.Input(shape=input_shape)

# 加载ResNet50并绑定输入张量，确保输入路径唯一
base_model = tf.keras.applications.ResNet50(weights='imagenet', include_top=False, input_tensor=inputs)
base_model.trainable = False

# 构建后续网络层，明确张量流向
x = base_model.output
x = tf.keras.layers.GlobalAveragePooling2D()(x)
outputs = tf.keras.layers.Dense(num_classes, activation='softmax')(x)

# 创建完整模型
model = tf.keras.Model(inputs=inputs, outputs=outputs)

# 构建特征提取器：可按需选择输出层
# 若仅需ResNet50、GAP、全连接层的输出
extractor = tf.keras.Model(inputs=model.input,
                           outputs=[base_model.output, model.layers[-2].output, model.layers[-1].output])

# 若需所有层（含ResNet50内部层）的输出，可取消下方注释
# extractor = tf.keras.Model(inputs=model.input, outputs=[layer.output for layer in model.layers])

内容的提问来源于stack exchange，提问作者Vincent Ma