TensorFlow 2.4及以上版本出现AttributeError: Layer has no inbound nodes错误，2.4以下版本正常的原因排查

这个兼容性问题的根源是TensorFlow 2.4.x版本对Keras层的节点跟踪机制做了针对性优化，而这个调整在版本更新日志里没有明确提及。

在TensorFlow 2.3.1及更早版本中，当你在自定义层的call方法里调用内部子层时，子层会自动关联父层的输入节点，Keras会为子层初始化_inbound_nodes属性——这就是为什么你能直接通过my_custom_layer.conv_1.output拿到输出张量。

但从TensorFlow 2.4.1开始，Keras调整了这一逻辑：

• 只有当层被直接接入顶层计算图（即直接接收外部输入张量）时，才会创建并维护自己的_inbound_nodes；
• 嵌套在自定义层内部的子层，其调用过程被封装在父层的call方法中，Keras不再为这类子层单独创建顶层的inbound节点，而是将子层的计算逻辑整合到父层的节点中。

回到你的代码：conv_1是MyCustomLayer的内部子层，它并没有直接连接到外部的x张量，而是通过父层的call方法间接处理输入。在TF2.4.1中，这种情况下conv_1的_inbound_nodes是空的，自然会触发AttributeError。

如果你需要获取子层的输出，可以试试这两种办法：

• 在自定义层的call方法里保存子层输出为实例属性：

  class MyCustomLayer(keras.layers.Layer):
      def __init__(self, num_filters=64, kernel_size=3):
          super().__init__()
          self.conv_1 = keras.layers.Conv2D(filters=num_filters, kernel_size=kernel_size)
          self.conv_output = None
      def call(self, inputs):
          self.conv_output = self.conv_1(inputs)
          return self.conv_output
  

  之后通过my_custom_layer.conv_output就能拿到子层输出。
• 将自定义层包装成tf.keras.Model，利用模型的层跟踪机制：

  x = keras.Input(shape=(None, None, 3))
  my_custom_layer = MyCustomLayer()
  y = my_custom_layer(x)
  model = keras.Model(inputs=x, outputs=y)
  # 现在可以通过模型获取子层输出
  model.get_layer('my_custom_layer').conv_1.output
  

内容的提问来源于stack exchange，提问作者desa