keras.utils.plot_model()重命名自定义层后模型结构绘制异常

问题原因 #

• 层重命名破坏了分支连接关系：手动重命名层后，若未同步更新后续合并/拼接层的输入引用，模型计算图会出现隐性断裂。summary()仅展示层的存在与参数，不会校验连接完整性，但plot_model依赖完整的计算图路径来绘制分支结构。
• 自定义模型的命名映射混乱：若5个自制预训练模型是子类化Model，重命名内部层可能导致模型输入输出节点的映射关系错乱，plot_model无法解析多分支的嵌套结构。

解决方法 #

1. 重命名后重新构建模型连接
   先完成所有层的重命名，再手动重新定义各分支的输出与合并逻辑，确保计算图完整：

   # 重命名TextVectorization层
   text_vec_title = TextVectorization(..., name="text_vectorizer_title")
   text_vec_body = TextVectorization(..., name="text_vectorizer_body")
   text_vec_tags = TextVectorization(..., name="text_vectorizer_tags")
   
   # 重命名自制预训练模型
   pretrained_title = CustomModel(..., name="pretrained_title_model")
   pretrained_body = CustomModel(..., name="pretrained_body_model")
   pretrained_tags = CustomModel(..., name="pretrained_tags_model")
   pretrained_meta1 = CustomModel(..., name="pretrained_meta_model1")
   pretrained_meta2 = CustomModel(..., name="pretrained_meta_model2")
   
   # 重新定义分支输出与合并
   out_title = pretrained_title(text_vec_title(input_title))
   out_body = pretrained_body(text_vec_body(input_body))
   out_tags = pretrained_tags(text_vec_tags(input_tags))
   out_meta1 = pretrained_meta1(input_meta1)
   out_meta2 = pretrained_meta2(input_meta2)
   
   concatenated = Concatenate(name="concat_all_branches")([out_title, out_body, out_tags, out_meta1, out_meta2])
   mlp_hidden = Dense(64, activation="relu", name="mlp_hidden_layer")(concatenated)
   final_out = Dense(1, activation="sigmoid", name="final_output")(mlp_hidden)
   
   # 重新构建完整模型
   ensemble = Model(inputs=[input_title, input_body, input_tags, input_meta1, input_meta2], outputs=final_out)
   

2. 调用plot_model时指定关键参数
   使用expand_nested=True展开嵌套的自定义模型，show_shapes=True明确输入输出维度，强制绘制完整分支结构：

   keras.utils.plot_model(
       ensemble,
       to_file="ensemble_model.png",
       show_shapes=True,
       expand_nested=True,
       show_layer_names=True
   )
   

3. 修复自定义模型的配置方法
   若自制预训练模型是子类化Model，需重写get_config()方法，确保层命名与结构信息能被正确序列化，让plot_model解析嵌套结构：

   class CustomModel(keras.Model):
       def __init__(self, ..., name=None):
           super().__init__(name=name)
           # 定义层
           self.dense1 = Dense(32, name="custom_dense1")
           self.dense2 = Dense(16, name="custom_dense2")
   
       def call(self, inputs):
           x = self.dense1(inputs)
           return self.dense2(x)
   
       def get_config(self):
           config = super().get_config()
           # 保存自定义层的配置
           config.update({
               "dense1": keras.layers.serialize(self.dense1),
               "dense2": keras.layers.serialize(self.dense2)
           })
           return config
   

内容的提问来源于stack exchange，提问作者Pavlo Yan