使用Keras函数式API构建模型时TFOpLambda类型异常咨询

我在用Keras函数式API构建模型时，发现preprocess_input(x)和base_model(x)返回的是TFOpLambda类型的层，形状为(None, 160, 160, 3)，但预期是TensorFlowOpLayer类型，形状格式为[(None, 160, 160, 3)]。相关代码如下：

def alpaca_model(image_shape=IMG_SIZE, data_augmentation=data_augmenter()):

    input_shape = image_shape + (3,)

    ### START CODE HERE

    base_model = tf.keras.applications.MobileNetV2(input_shape=input_shape,
                                                   include_top=False, # <== Important!!!!
                                                   weights='imagenet') # From imageNet

    # freeze the base model by making it non trainable
    base_model.trainable = False 

    # create the input layer (Same as the imageNetv2 input size)
    inputs = tf.keras.Input(shape=input_shape) # create the input node of the graph

    # apply data augmentation to the inputs
    x = data_augmentation(inputs)# this applies Sequential API layer to the Input callable object

    # data preprocessing using the same weights the model was trained on
    x = preprocess_input(x)

    # set training to False to avoid keeping track of statistics in the batch norm layer
    x = base_model(x,training=False)

    # add the new Binary classification layers
    x = tf.keras.layers.GlobalAveragePooling2D()(x)  # compute the mean in each channel
    # include dropout with probability of 0.2 to avoid overfitting
    x = tf.keras.layers.Dropout(rate=0.2)(x)
        
    # use a prediction layer with one neuron (as a binary classifier only needs one)
    outputs = tf.keras.layers.Dense(units=1)(x)
        
    model = tf.keras.Model(inputs, outputs)

    return model

排查思路 #

• 检查preprocess_input的导入与使用：tf.keras.applications.mobilenet_v2.preprocess_input本质是一个预处理函数，并非Keras Layer类，直接调用会被自动包装成TFOpLambda。可以改用tf.keras.layers.Lambda将其封装为标准Layer，或者用tf.keras.layers.Normalization层配置对应均值方差来替代，确保返回的是Layer实例。
• 调整base_model的调用方式：直接调用base_model(x, training=False)时，Keras会将模型调用逻辑包装为TFOpLambda。可以尝试显式用Lambda层包裹：x = tf.keras.layers.Lambda(lambda x: base_model(x, training=False))(x)；若TF版本支持，也可使用base_model.as_layer()将模型转为Layer后再调用。
• 核对TensorFlow版本：不同TF版本对函数式API的包装逻辑有差异，TFOpLambda和TensorFlowOpLayer都是TF操作的包装类，可能是版本迭代导致的类型名称变化。打印tf.__version__确认版本，查看官方文档是否有相关变更说明。
• 澄清形状格式差异：(None, 160, 160, 3)是单个Tensor的标准形状，而[(None, 160, 160, 3)]是列表包裹的形状格式，通常用于模型的输入/输出集合（比如多输入多输出模型）。中间层的输出一般是单个Tensor，形状无需列表包裹，可通过print(x.shape)验证实际输出是否符合业务需求，无需强行追求列表格式。
• 封装自定义Layer：将预处理和base_model调用逻辑封装为自定义Layer类，确保返回的是标准Layer类型，示例如下：

class MobileNetPreprocess(tf.keras.layers.Layer):
    def call(self, inputs):
        return tf.keras.applications.mobilenet_v2.preprocess_input(inputs)

class FrozenMobileNet(tf.keras.layers.Layer):
    def __init__(self, base_model):
        super().__init__()
        self.base_model = base_model
        self.base_model.trainable = False

    def call(self, inputs):
        return self.base_model(inputs, training=False)

# 在模型中替换使用
x = MobileNetPreprocess()(x)
x = FrozenMobileNet(base_model)(x)

内容的提问来源于stack exchange，提问作者VanBaffo