如何在TensorFlow Sequential模型中添加特征提取层？解决类型报错

问题代码 #

resnet_50 = "https://www.kaggle.com/models/tensorflow/resnet-50/frameworks/TensorFlow2/variations/classification/versions/1"
feature_extractor_model = resnet_50
import tensorflow_hub as hub
feature_extractor_layer = hub.KerasLayer(
    feature_extractor_model,
    input_shape=(224, 224, 3),
    trainable=False)
num_classes = len(class_names)
model = tf.keras.Sequential()
model.add(feature_extractor_layer)
model.summary()

报错信息 #

ValueError: Only instances of keras.Layer can be added to a Sequential model. Received: <tensorflow_hub.keras_layer.KerasLayer object at 0x7b6c00794850> (of type <class 'tensorflow_hub.keras_layer.KerasLayer'>)

解决方法 #

1. 对齐TensorFlow与TensorFlow Hub版本

这个报错核心原因是版本不兼容，导致TensorFlow Hub的KerasLayer未被正确识别为tf.keras.layers.Layer的子类。卸载现有版本后安装匹配的稳定版本：

pip uninstall tensorflow tensorflow-hub -y
pip install tensorflow==2.15.0 tensorflow-hub==0.15.0

（可根据TensorFlow官方文档选择对应匹配的版本对）

2. 统一使用tf.keras模块

确保代码中所有Keras相关操作都基于tf.keras，避免混用原生keras模块——部分环境中同时安装原生keras会导致类型识别冲突。

3. 验证层类型（可选）

创建KerasLayer后，添加代码验证是否属于tf.keras.layers.Layer：

print(isinstance(feature_extractor_layer, tf.keras.layers.Layer))

输出True说明层类型正常，否则需重新检查版本。

4. 替代方案：用Lambda层包装加载的模型

如果上述方法无效，可直接加载模型并用tf.keras.layers.Lambda包装后加入Sequential：

import tensorflow as tf
import tensorflow_hub as hub

resnet_50 = "https://www.kaggle.com/models/tensorflow/resnet-50/frameworks/TensorFlow2/variations/classification/versions/1"
feature_extractor_model = hub.load(resnet_50)
# 包装为Lambda层
feature_extractor_layer = tf.keras.layers.Lambda(lambda x: feature_extractor_model(x))
feature_extractor_layer._name = "resnet_feature_extractor"  # 自定义层名

# 构建Sequential模型
model = tf.keras.Sequential([
    tf.keras.layers.Input(shape=(224, 224, 3)),
    feature_extractor_layer
])
model.summary()

内容的提问来源于stack exchange，提问作者Johan Liebert