如何在TensorFlow已保存模型两层间插入自定义层？含残差连接场景

直接修改层的input属性行不通是因为TensorFlow构建模型后，层的输入与计算图绑定，属于只读状态，强行修改必然触发AttributeError。而拆分拼接失效的核心问题是残差模型存在多输入分支（比如Add层），简单拆分切断了分支间的依赖，导致ValueError。下面是针对这类场景的具体解决办法：

核心思路：用Functional API重构模型，保留原权重 #

通过重新构建计算图的方式，手动串联所有层（包括残差分支），在指定位置插入自定义层，同时复用原模型的权重，避免重新训练。

步骤1：加载模型并梳理层结构 #

先加载H5模型，通过model.summary()或遍历model.layers确认目标插入位置的层名称，以及残差分支的连接关系（比如哪些层是多输入的Add/Concatenate层）。

import tensorflow as tf
from tensorflow.keras.models import load_model

# 加载原模型
original_model = load_model('your_model.h5')
# 查看层结构和名称
original_model.summary()
# 或者遍历打印层名称
for layer in original_model.layers:
    print(layer.name)

步骤2：定义自定义层 #

根据需求实现你的自定义层，示例如下：

class CustomLayer(tf.keras.layers.Layer):
    def __init__(self, filters=64, **kwargs):
        super().__init__(**kwargs)
        self.conv = tf.keras.layers.Conv2D(filters, (3,3), padding='same')
        self.relu = tf.keras.layers.Activation('relu')
    
    def call(self, inputs):
        x = self.conv(inputs)
        return self.relu(x)

步骤3：重构模型，插入自定义层 #

以在conv2d_1（主路径第一层卷积）和batch_normalization_1之间插入自定义层为例，假设原模型有残差分支：输入→conv_shortcut→bn_shortcut，与主路径的batch_normalization_2输出相加。

# 获取原模型输入
input_tensor = original_model.input

# 构建主路径到目标插入点的前一层
x = original_model.get_layer('conv2d_1')(input_tensor)

# 插入自定义层
custom_layer = CustomLayer()
x = custom_layer(x)

# 继续构建主路径后续层
x = original_model.get_layer('batch_normalization_1')(x)
x = original_model.get_layer('activation_1')(x)
x = original_model.get_layer('conv2d_2')(x)
x = original_model.get_layer('batch_normalization_2')(x)

# 构建残差分支（注意分支的输入源要和原模型一致）
shortcut = original_model.get_layer('conv2d_shortcut')(input_tensor)
shortcut = original_model.get_layer('batch_normalization_shortcut')(shortcut)

# 处理多输入的Add层，确保两个输入都正确连接
x = original_model.get_layer('add_1')([x, shortcut])

# 构建剩余所有层
for layer in original_model.layers[original_model.layers.index(original_model.get_layer('add_1')) + 1:]:
    x = layer(x)

# 创建新模型
new_model = tf.keras.Model(inputs=input_tensor, outputs=x)

步骤4：复制原模型权重 #

将原模型对应层的权重复制到新模型中，避免重新训练：

for layer in new_model.layers:
    # 跳过自定义层，其余层复制原权重
    if layer.name != custom_layer.name:
        try:
            original_layer = original_model.get_layer(layer.name)
            layer.set_weights(original_layer.get_weights())
        except Exception:
            # 部分层（如输入层）无需复制，直接跳过
            pass

# 验证新模型结构
new_model.summary()

关键注意事项 #

• 务必确认残差分支的输入源：有些残差分支是从主路径某层取输入，而非模型原始输入，这时候要对应修改分支的输入张量为自定义层后的输出（如果插入点在分支输入源之后）。
• 对于多输入层（Add、Concatenate等），必须明确传入所有需要的输入张量，不能遗漏，否则会触发ValueError。
• 如果模型结构复杂，可以分段打印张量形状，确保每一步的输出形状与原模型一致，避免后续层报错。

内容的提问来源于stack exchange，提问作者Alessandro