如何从tf.keras.Model中查看自定义Encoder/Decoder层的详细结构？

方法一：单独查看Encoder/Decoder的详细结构 #

创建输入张量，将自定义的Encoder或Decoder包装成独立的Model，直接查看其内部结构：

# 替换为你的实际输入形状，示例为(28,28,1)
input_sample = K.Input(shape=(28,28,1))

# 查看Encoder详细结构
encoder_model = K.Model(inputs=input_sample, outputs=model.encoder(input_sample))
encoder_model.summary()

# 查看Decoder详细结构：先获取Encoder输出形状作为Decoder输入
encoder_output = model.encoder(input_sample)
decoder_model = K.Model(inputs=encoder_output, outputs=model.decoder(encoder_output))
decoder_model.summary()

方法二：修改自定义Layer实现，用Sequential封装内部层 #

将Encoder和Decoder的内部层用tf.keras.Sequential封装，Keras会自动在summary中展开内部结构：

class Encoder(K.layers.Layer):
    def __init__(self, filters):
        super(Encoder, self).__init__()
        self.encoder_layers = K.Sequential([
            Conv2D(filters=filters[0], kernel_size=3, strides=1, activation='relu', padding='same'),
            MaxPooling2D((2, 2), padding='same'),
            Conv2D(filters=filters[1], kernel_size=3, strides=1, activation='relu', padding='same'),
            MaxPooling2D((2, 2), padding='same'),
            Conv2D(filters=filters[2], kernel_size=3, strides=1, activation='relu', padding='same'),
            MaxPooling2D((2, 2), padding='same')
        ])
    
    def call(self, input_features):
        return self.encoder_layers(input_features)

class Decoder(K.layers.Layer):
    def __init__(self, filters):
        super(Decoder, self).__init__()
        self.decoder_layers = K.Sequential([
            Conv2D(filters=filters[2], kernel_size=3, strides=1, activation='relu', padding='same'),
            UpSampling2D((2, 2)),
            Conv2D(filters=filters[1], kernel_size=3, strides=1, activation='relu', padding='same'),
            UpSampling2D((2, 2)),
            Conv2D(filters=filters[0], kernel_size=3, strides=1, activation='relu', padding='valid'),
            UpSampling2D((2, 2)),
            Conv2D(1, 3, 1, activation='sigmoid', padding='same')
        ])
  
    def call(self, encoded):
        return self.decoder_layers(encoded)

修改后调用model.summary()，即可看到Encoder和Decoder内部的每一层细节。

方法三：先执行一次前向传播，再查看summary #

Keras需要输入形状来推断各层输出形状，先传入一个样本完成前向计算，再调用summary：

# 取训练集中第一个样本触发前向传播，替换为你的实际输入数据
model(x_train_noisy[:1])
model.summary()

此方法会让summary显示各层具体输出形状，但不会展开自定义Layer的内部结构，适合仅需输出形状信息的场景。

内容的提问来源于stack exchange，提问作者feelfree