使用Keras模型时遇AttributeError: 'KerasHistory'对象无'layer'属性

这个错误的核心原因是你自定义的res_block函数没有正确返回有效的Keras张量，导致张量的_keras_history属性被破坏，Keras无法追踪模型的层依赖关系。

问题定位 #

你的代码中调用了res_block但未给出具体实现，大概率是这个函数内部的操作不符合Keras的张量追踪规则：

• 可能使用了纯TensorFlow操作（比如tf.add）而非Keras封装的层（比如Add()）
• 可能在函数中直接修改张量值，没有通过Keras层传递
• 可能返回的不是经过Keras层处理后的张量对象

修复方案 #

重新实现res_block，确保每一步都使用Keras官方层，最终返回标准的Keras张量。以下是符合要求的ResNet残差块实现：

def res_block(X, filter, stage):
    # 定义层名称前缀，区分不同阶段的残差块
    conv_name_base = f'res{stage}_branch'
    bn_name_base = f'bn{stage}_branch'
    
    F1, F2, F3 = filter
    
    # 保存捷径路径的原始张量
    X_shortcut = X
    
    # ---------------------- 主路径 ----------------------
    # 1x1卷积降维
    X = Conv2D(
        filters=F1,
        kernel_size=(1,1),
        strides=(1,1),
        padding='valid',
        name=f'{conv_name_base}2a',
        kernel_initializer=glorot_uniform(seed=0)
    )(X)
    X = BatchNormalization(axis=3, name=f'{bn_name_base}2a')(X)
    X = Activation('relu')(X)
    
    # 3x3卷积提取特征
    X = Conv2D(
        filters=F2,
        kernel_size=(3,3),
        strides=(1,1),
        padding='same',
        name=f'{conv_name_base}2b',
        kernel_initializer=glorot_uniform(seed=0)
    )(X)
    X = BatchNormalization(axis=3, name=f'{bn_name_base}2b')(X)
    X = Activation('relu')(X)
    
    # 1x1卷积升维
    X = Conv2D(
        filters=F3,
        kernel_size=(1,1),
        strides=(1,1),
        padding='valid',
        name=f'{conv_name_base}2c',
        kernel_initializer=glorot_uniform(seed=0)
    )(X)
    X = BatchNormalization(axis=3, name=f'{bn_name_base}2c')(X)
    
    # ---------------------- 捷径路径 ----------------------
    # 用1x1卷积调整捷径路径维度，匹配主路径
    X_shortcut = Conv2D(
        filters=F3,
        kernel_size=(1,1),
        strides=(1,1),
        padding='valid',
        name=f'{conv_name_base}1',
        kernel_initializer=glorot_uniform(seed=0)
    )(X_shortcut)
    X_shortcut = BatchNormalization(axis=3, name=f'{bn_name_base}1')(X_shortcut)
    
    # 合并主路径和捷径路径（必须用Keras的Add层，不能用tf.add）
    X = Add()([X, X_shortcut])
    X = Activation('relu')(X)
    
    return X

额外检查点 #

• 所有张量操作都通过Keras层完成，避免直接使用TensorFlow低级API
• 若需自定义操作，用Lambda层封装，确保Keras能追踪张量历史
• 确认res_block的返回值是经过Keras层处理后的张量对象

内容的提问来源于stack exchange，提问作者Neta Robinzon Butbul