在Keras中使用多骨干网络迁移学习遇层名重复错误的解决方法

问题原因 #

同时加载DenseNet121和ResNet50时，两个模型内部存在命名相同的层（比如conv2_block1_1_conv），而Keras要求所有层名称必须唯一，因此触发报错。

解决方法 #

方法一：实例化模型时添加命名前缀（推荐） #

加载预训练模型时，通过name参数为每个模型添加专属前缀，Keras会自动为模型内所有层加上该前缀，确保层名唯一。

修改后的代码：

model_input = keras.Input(shape=(image_size, image_size, 3))

# 为DenseNet121添加命名前缀
densenet121 = keras.applications.DenseNet121(
    weights="imagenet", include_top=False, input_tensor=model_input,
    name="densenet121"
)

# 为ResNet50添加命名前缀
resnet50 = keras.applications.ResNet50(
    weights="imagenet", include_top=False, input_tensor=model_input,
    name="resnet50"
)

# 直接从各自模型中获取目标层输出，无需修改层名
input_b = resnet50.get_layer("conv2_block3_2_relu").output
input_d = densenet121.get_layer("conv2_block6_1_relu").output

model_output = layers.Concatenate(axis=-1)([input_b, input_d])

keras.Model(inputs=model_input, outputs=model_output)

方法二：手动遍历修改层名 #

如果不需要为整个模型添加前缀，可以手动遍历每个模型的层，修改层名以避免冲突：

model_input = keras.Input(shape=(image_size, image_size, 3))

densenet121 = keras.applications.DenseNet121(
    weights="imagenet", include_top=False, input_tensor=model_input 
)
# 为DenseNet121的所有层添加前缀
for layer in densenet121.layers:
    layer._name = f"densenet121_{layer.name}"

resnet50 = keras.applications.ResNet50(
    weights="imagenet", include_top=False, input_tensor=model_input 
)
# 为ResNet50的所有层添加前缀
for layer in resnet50.layers:
    layer._name = f"resnet50_{layer.name}"

# 获取层输出时使用修改后的名称
input_b = resnet50.get_layer("resnet50_conv2_block3_2_relu").output
input_d = densenet121.get_layer("densenet121_conv2_block6_1_relu").output

model_output = layers.Concatenate(axis=-1)([input_b, input_d])

keras.Model(inputs=model_input, outputs=model_output)

注意事项 #

• 方法一为官方推荐方式，无需手动修改层名，Keras会自动处理命名空间，更简洁可靠。
• 使用方法二时，获取层输出必须对应修改后的层名，否则会找不到目标层。

内容的提问来源于stack exchange，提问作者MCPMH