使用summary()查看CNN模型时报错：Undefined shapes are not supported

问题原因 #

冻结VGG16部分层后，用Sequential容器组合base_model和top_model时，Keras无法正确推断中间张量的形状，导致top_model无法和base_model的输出正确衔接，触发形状未定义的错误。

解决方案 #

方法1：改用Functional API组合模型 #

Functional API对复杂模型的形状推断更可靠，替换Sequential组合方式：

import tensorflow as tf
from tensorflow.keras.applications import VGG16
from tensorflow.keras import layers

base_model = VGG16(weights='imagenet', include_top=False, input_shape=(32, 32, 3))

# 冻结前10层
for layer in base_model.layers[:10]:
    layer.trainable = False

# 用Functional API拼接模型
x = base_model.output
x = layers.Flatten()(x)
output = layers.Dense(10, activation='softmax')(x)
model2 = tf.keras.Model(inputs=base_model.input, outputs=output)

model2.summary()

方法2：通过样例输入明确输出形状 #

在定义top_model前，先传入一个样例输入让base_model计算输出形状，避免依赖output_shape属性：

import tensorflow as tf
from tensorflow.keras.applications import VGG16
from tensorflow.keras import layers

base_model = VGG16(weights='imagenet', include_top=False, input_shape=(32, 32, 3))

# 传入样例输入，确定base_model的输出形状
sample_input = tf.random.normal((1, 32, 32, 3))
base_output = base_model(sample_input)
top_model = tf.keras.Sequential([
    layers.Flatten(input_shape=base_output.shape[1:]),
    layers.Dense(10, activation='softmax')
])

for layer in base_model.layers[:10]:
    layer.trainable = False

model2 = tf.keras.models.Sequential([
    base_model,
    top_model
])

model2.summary()

额外说明 #

• 该问题与Python版本无关，核心是Keras的Sequential容器在处理部分冻结的预训练模型时，形状推断机制存在局限性。
• 仅使用VGG16前11或15层时，这些层的输出形状在冻结后仍能被Sequential正确推断，因此不会触发错误。

内容的提问来源于stack exchange，提问作者Noah Co Rodriguez