基于MobileNetV3迁移学习时Keras与TensorFlow兼容性错误及训练失败问题求助

其实你遇到的两个问题根源很明确：第一个TypeError是因为混用了原生Keras和TensorFlow内置的Keras模块，两个模块的符号张量系统不兼容，导致无法正确拼接模型层；而你用disable_eager_execution()强行切换到TF1的图模式后，又引发了第二个错误——TF1模式下变量需要显式初始化，迁移学习的预训练模型变量没有被正确加载，所以出现找不到变量的问题。

1. 统一使用TensorFlow Keras模块 #

把所有导入语句换成tensorflow.keras的版本，彻底避免模块混用带来的兼容性问题：

from tensorflow.keras.models import Model
from tensorflow.keras.layers import GlobalMaxPooling2D, Dense, Dropout
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.callbacks import ModelCheckpoint
from tensorflow.keras.applications import MobileNetV3Small
from tensorflow.keras.applications.mobilenet_v3 import preprocess_input  # 别忘了这个关键的预处理工具
import numpy as np
from tqdm import tqdm
from PIL import Image, ImageFile
ImageFile.LOAD_TRUNCATED_IMAGES = True

2. 正确冻结和解冻预训练层 #

不需要手动遍历所有层来冻结，更简洁可靠的方式是先冻结整个预训练模型，再按需解冻你想要微调的层：

pretrained_model = MobileNetV3Small(input_shape=(224,224,3), weights="imagenet", include_top=False)
# 先冻结整个预训练模型
pretrained_model.trainable = False

# 解冻最后N层（这里以最后5层为例，你可以根据任务需求调整数量）
for layer in pretrained_model.layers[-5:]:
    layer.trainable = True

如果你确实只想解冻最后一层，直接用pretrained_model.layers[-1].trainable = True也可以，但要注意MobileNetV3的最后一层是卷积层，仅微调这一层可能效果有限。

3. 移除disable_eager_execution()代码 #

TF2默认的Eager Execution是推荐的运行模式，删掉这两行代码，回到正常的TF2环境：

# 把这两行彻底删掉！
# from tensorflow.python.framework.ops import disable_eager_execution
# disable_eager_execution()

4. 完整的模型构建与训练代码 #

补充你缺失的模型编译和训练关键步骤（注意数据要符合MobileNetV3的预处理要求）：

# 构建分类头，直接用模型的output更可靠，不用手动取layers[-1].output
last_output = pretrained_model.output
x = GlobalMaxPooling2D()(last_output)
x = Dense(128, activation='relu')(x)
x = Dropout(0.5)(x)
x = Dense(1, activation='sigmoid')(x)
model = Model(pretrained_model.input, x)

# 编译模型，微调时用小学习率避免破坏预训练权重
model.compile(optimizer=Adam(learning_rate=1e-4),
              loss='binary_crossentropy',
              metrics=['accuracy'])

# 假设你已经准备好了处理好的train_dataset和val_dataset（必须用preprocess_input处理图像）
# model.fit(train_dataset,
#           validation_data=val_dataset,
#           epochs=20,
#           callbacks=[ModelCheckpoint('best_model.h5', save_best_only=True)])

• 数据预处理：必须使用MobileNetV3对应的preprocess_input函数处理输入图像，不要手动归一化，否则模型会出现不收敛的问题。
• 学习率：微调预训练层时，学习率要设置得很小（比如1e-4），避免破坏预训练好的权重。
• 数据加载：推荐用tf.data.Dataset来加载数据，比PIL手动加载更高效，也更兼容TF2的Eager模式。

内容的提问来源于stack exchange，提问作者kynnemall