使用visualkeras可视化CNN时遇'Conv2D'无output_shape属性错误

问题重现 #

自行搭建的CNN模型代码如下：

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, ReLU, MaxPooling2D, Dropout, Flatten, Dense, AveragePooling2D, Activation
from tensorflow.keras.utils import plot_model
import visualkeras

def get_model():
    model = Sequential()

    model.add(Conv2D(filters=32, kernel_size=(2, 2), padding='same', input_shape=(64, 64, 3), name='conv1'))
    model.add(ReLU(name='relu1'))
    model.add(MaxPooling2D(pool_size=(2, 2), name='pool1'))
    model.add(Dropout(0.4, name='dropout1'))

    model.add(Conv2D(filters=64, kernel_size=(2, 2), padding='same', name='conv2'))
    model.add(ReLU(name='relu2'))
    model.add(MaxPooling2D(pool_size=(2, 2), name='pool2'))
    model.add(Dropout(0.4, name='dropout2'))

    model.add(Conv2D(filters=128, kernel_size=(2, 2), padding='same', name='conv3'))
    model.add(ReLU(name='relu3'))
    model.add(MaxPooling2D(pool_size=(2, 2), name='pool3'))
    model.add(Dropout(0.4, name='dropout3'))

    model.add(Conv2D(filters=256, kernel_size=(2, 2), padding='same', name='conv4'))
    model.add(ReLU(name='relu4'))

    model.add(Conv2D(filters=512, kernel_size=(2, 2), padding='same', name='conv5'))
    model.add(ReLU(name='relu5'))

    model.add(AveragePooling2D(pool_size=(8, 8), name='pool4'))
    model.add(Flatten(name='flatten'))

    model.add(Dense(1, name='fc'))
    model.add(Activation('sigmoid', name='sigmoid'))

    model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

    return model

model = get_model()

visualkeras.layered_view(model, to_file='C:/m/visualkeras_output.png').show()

运行后报错：

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
Cell In[10], line 47
     41 model = get_model()
     43 # Использование plot_model для визуализации модели
     44 #plot_model(model, to_file='C:/Users/j-puf/Documents/master/output.png', show_shapes=True, show_layer_names=True)
     45 
     46 # Использование visualkeras для визуализации модели
---> 47 visualkeras.layered_view(model, to_file='C:/Users/j-puf/Documents/master/visualkeras_output.png').show()

File c:\users\j-puf\appdata\local\programs\python\python39\lib\site-packages\visualkeras\layered.py:85, in layered_view(model, to_file, min_z, min_xy, max_z, max_xy, scale_z, scale_xy, type_ignore, index_ignore, color_map, one_dim_orientation, background_fill, draw_volume, padding, spacing, draw_funnel, shade_step, legend, font, font_color)
     82 y = min_xy
     83 z = min_z
---> 85 if isinstance(layer.output_shape, tuple):
     86     shape = layer.output_shape
     87 elif isinstance(layer.output_shape, list) and len(
     88         layer.output_shape) == 1:  # drop dimension for non seq. models

AttributeError: 'Conv2D' object has no attribute 'output_shape'

错误原因 #

visualkeras的layered_view函数依赖层的output_shape属性获取形状信息，但TensorFlow 2.x的Keras层在未完成模型构建（未进行前向传播或显式调用build）时，不会初始化output_shape属性，导致触发AttributeError。

解决方法 #

只需在调用visualkeras前，确保模型已完成构建，两种可选方式：

方式1：显式调用build方法 #

在创建模型后，手动指定输入形状触发构建：

model = get_model()
# 显式构建模型，参数为批量输入形状（None表示批量大小可变）
model.build(input_shape=(None, 64, 64, 3))
visualkeras.layered_view(model, to_file='C:/m/visualkeras_output.png').show()

方式2：喂入dummy数据触发前向传播 #

通过传入一个符合输入形状的随机张量，触发模型的形状初始化：

model = get_model()
# 创建一个dummy输入张量，形状为(1, 64, 64, 3)
dummy_input = tf.random.normal((1, 64, 64, 3))
# 执行一次前向传播
_ = model(dummy_input)
visualkeras.layered_view(model, to_file='C:/m/visualkeras_output.png').show()

其他模型可视化方式 #

除了visualkeras，还有以下常用的CNN模型可视化工具：

• TensorFlow内置plot_model：直接使用Keras提供的工具，生成结构化的模型框图，支持显示层形状和名称：

  plot_model(model, to_file='model_structure.png', show_shapes=True, show_layer_names=True, rankdir='TB')
  

• TensorBoard：训练时添加TensorBoard回调，或手动记录模型结构，可交互式查看模型拓扑、参数分布等：

  # 记录模型结构到日志目录
  tf.summary.create_file_writer('./logs').as_default()
  tf.summary.graph(model.get_concrete_function(tf.TensorSpec((None, 64, 64, 3), tf.float32)))
  # 启动TensorBoard：在终端执行 tensorboard --logdir=./logs
  

• Netron：将模型导出为.h5或.pb格式文件，然后用Netron工具打开，可直观查看层结构、参数细节，支持多种框架模型。

内容的提问来源于stack exchange，提问作者james