使用Keras迁移学习进行图像分类时遇Layer类型错误求助

错误原因 #

你的代码中，TensorFlow Hub的KerasLayer对象无法被Keras Sequential模型识别为合法的keras.Layer实例，这是版本兼容性问题——旧版TensorFlow Hub的KerasLayer与新版Keras（尤其是Keras 3）的Layer类继承关系不匹配，导致模型判定其为非法层。

解决方案 #

方案1：升级依赖包解决兼容性 #

执行命令更新到兼容版本：

pip install --upgrade tensorflow-hub tensorflow keras

方案2：改用Keras内置预训练模型（更适合新手） #

跳过TensorFlow Hub，直接使用Keras官方集成的预训练模型，代码简洁且兼容性更强：

import tensorflow as tf
from tensorflow.keras.applications import ResNet50
from tensorflow.keras.layers import Dense, GlobalAveragePooling2D
from tensorflow.keras.models import Sequential

# 加载预训练ResNet50，移除顶层分类层
base_model = ResNet50(weights='imagenet', include_top=False, input_shape=(224, 224, 3))

# 冻结预训练层，仅训练后续新增层
base_model.trainable = False

# 构建迁移学习模型
model = Sequential([
    base_model,
    GlobalAveragePooling2D(),
    Dense(256, activation='relu'),
    Dense(10, activation='softmax')  # 将10替换为你的食品类别总数
])

# 查看模型结构
model.summary()

方案3：兼容TensorFlow Hub的写法（若需保留Hub使用） #

更换为TensorFlow Hub官方兼容的模型URL，并确保使用tf.keras完整栈：

import tensorflow as tf
import tensorflow_hub as hub

# 使用官方兼容的ResNet50特征向量URL
model_url = "https://tfhub.dev/google/imagenet/resnet_v2_50/feature_vector/5"
hub_layer = hub.KerasLayer(model_url, input_shape=(224, 224, 3), trainable=False)

model = tf.keras.Sequential([
    hub_layer,
    tf.keras.layers.Dense(256, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')  # 替换为你的类别数
])

model.summary()

内容的提问来源于stack exchange，提问作者angryhorse