基于Keras GradCam教程使用子类化模型时遭遇“AttributeError: Layer cnn_model has no inbound nodes”错误的求助

这个错误的核心原因是：你直接使用了model.base.inputs来构建GradCAM的模型，但你的CNNModel是自定义的K.Model子类，model.base作为内部子层，它的输入张量并没有和整个模型的外部输入建立有效的连接关系——Keras在模型未实际运行前，不会自动为内部子层创建入站节点（inbound nodes），导致无法识别输入关联。

这里有两种可靠的解决方案：

方案一：基于整个模型的输入构建GradCAM模型（推荐） #

直接使用自定义模型的inputs作为GradCAM模型的输入，而不是子层的inputs，这样能确保输入连接的正确性：

# 先获取EfficientNet中的最后一个卷积层对象（比通过名字获取更可靠）
last_conv_layer = [layer for layer in model.base.layers if isinstance(layer, tf.keras.layers.Conv2D)][-1]

# 构建双输出模型：输入是整个自定义模型的输入，输出是最后卷积层的特征图+模型最终预测
grad_model = tf.keras.models.Model(
    inputs=model.inputs,
    outputs=[last_conv_layer.output, model.output]
)

方案二：先通过dummy输入触发模型前向传播，建立入站节点 #

如果你坚持要使用model.base.inputs，可以先传入一个虚拟输入让模型完成一次前向传播，强制Keras建立层之间的连接节点：

# 生成一个符合输入形状的虚拟张量
dummy_input = tf.random.normal(shape=(1, 224, 224, 12))
# 让模型前向传播一次，触发节点构建
_ = model(dummy_input)

# 现在再构建GradCAM模型就不会报错了
last_conv_layer_name = [layer.name for layer in model.base.layers if isinstance(layer, tf.keras.layers.Conv2D)][-1]
grad_model = tf.keras.models.Model(
    inputs=model.base.inputs,
    outputs=[model.base.get_layer(last_conv_layer_name).output, model.output]
)

补充说明 #

自定义K.Model子类的内部子层（比如这里的EfficientNetB1），其inputs属性仅在子层直接作为模型输入层时才会指向外部输入。在你的场景中，self.base是被包裹在CNNModel内部的，它的输入依赖于CNNModel的输入张量，只有当模型实际运行过（或者显式构建了连接），Keras才会为这些内部层创建入站节点，否则直接访问子层的inputs就会触发找不到节点的错误。

内容的提问来源于stack exchange，提问作者Nicolas Gervais