TensorFlow从已有模型输入与中间层构建新模型时遇图断开错误

问题核心原因 #

VGG16的预训练模型若以Sequential实例形式使用，层间的张量关联是隐式的；而EfficientNetV2的预训练模型本身基于函数式API构建，张量链路清晰，因此抽取中间层重构模型时不会出现连接断裂。当你尝试直接从Sequential版VGG16抽取中间层用函数式API构建CAM模型时，Keras无法追踪到输入层与中间层的显式张量依赖，就会抛出Graph disconnected错误。

具体解决方案 #

方案1：直接加载函数式结构的VGG16 #

放弃Sequential包装，直接使用官方提供的函数式结构预训练模型，明确获取输入与中间层的张量关联：

import tensorflow as tf

# 加载含顶层分类器的VGG16（若不需要顶层可设include_top=False）
vgg = tf.keras.applications.VGG16(weights='imagenet', include_top=True)

# 获取输入层和最后一个卷积层输出（以block5_conv3为例）
input_layer = vgg.input
last_conv_output = vgg.get_layer('block5_conv3').output

# 搭建CAM所需的输出结构：全局平均池化+分类层
x = tf.keras.layers.GlobalAveragePooling2D()(last_conv_output)
prediction_layer = tf.keras.layers.Dense(1000, activation='softmax')(x)

# 构建CAM模型，输出卷积层特征和分类结果
cam_model = tf.keras.Model(inputs=input_layer, outputs=[last_conv_output, prediction_layer])

方案2：修复已有Sequential模型的张量连接 #

若必须基于已有的Sequential版VGG16改造，需手动建立输入张量与各层的显式连接，不能直接抽取中间层输出：

from tensorflow.keras.models import Model
from tensorflow.keras.layers import Input

# 假设你已有的Sequential版VGG16模型
sequential_vgg = tf.keras.applications.VGG16(weights='imagenet', include_top=True)

# 显式定义输入张量
input_tensor = Input(shape=(224, 224, 3))

# 将输入张量依次传入Sequential的每一层，建立显式计算链路
x = input_tensor
last_conv_output = None
for layer in sequential_vgg.layers:
    x = layer(x)
    if layer.name == 'block5_conv3':
        last_conv_output = x

# 搭建CAM输出部分
gap = tf.keras.layers.GlobalAveragePooling2D()(last_conv_output)
prediction = tf.keras.layers.Dense(1000, activation='softmax')(gap)

cam_model = Model(inputs=input_tensor, outputs=[last_conv_output, prediction])

关键注意事项 #

• 不要直接使用sequential_vgg.get_layer('block5_conv3').output作为函数式模型的输出，因为Sequential模型的层输出未与外部输入建立显式关联，Keras无法追踪完整计算图。
• 官方预训练的VGG16底层虽基于函数式API，但通过Sequential包装后会丢失显式张量链路，这是它和EfficientNetV2预训练模型的核心差异。

内容的提问来源于stack exchange，提问作者Daniel Rangel