如何使Keras自定义IncompleteConv2D层在fit与evaluate阶段行为不同？

1. 修正自定义IncompleteConv2D层的实现 #

首先确保你的自定义卷积层将IDP作为可修改的实例属性，并且在call方法中结合训练/推理模式控制IDP的生效逻辑：

import tensorflow as tf
from tensorflow import keras

class IncompleteConv2D(keras.layers.Conv2D):
    def __init__(self, idp=1.0, **kwargs):
        super().__init__(**kwargs)
        self.idp = idp  # 将IDP设为层的可修改属性

    def call(self, inputs, training=None):
        # 自动区分训练/推理模式：训练时强制IDP=1，推理时使用层的idp属性
        if training is None:
            training = keras.backend.learning_phase()
        
        current_idp = tf.cond(
            training,
            lambda: tf.constant(1.0, dtype=tf.float32),
            lambda: tf.constant(self.idp, dtype=tf.float32)
        )

        # 执行不完全点积操作（按论文的线性分布gamma逻辑实现）
        if current_idp < 1.0:
            num_channels = tf.shape(inputs)[-1]
            keep_channels = tf.cast(tf.cast(num_channels, tf.float32) * current_idp, tf.int32)
            # 这里假设按通道顺序保留前keep_channels个，可根据论文调整逻辑
            inputs = inputs[..., :keep_channels]
        
        # 调用父类的卷积运算
        return super().call(inputs)

2. 自定义模型并实现IDP全局设置方法 #

不管你用Sequential、Functional API还是继承keras.Model，都需要一个方法来递归遍历所有层，修改IncompleteConv2D的IDP值：

# 递归设置所有IncompleteConv2D层的IDP
def _set_idp_recursive(layer, idp_value):
    if isinstance(layer, IncompleteConv2D):
        layer.idp = idp_value
    # 处理嵌套层（比如Sequential、子模型）
    if hasattr(layer, 'layers'):
        for sub_layer in layer.layers:
            _set_idp_recursive(sub_layer, idp_value)

# 示例模型（以继承keras.Model为例）
class CustomModel(keras.Model):
    def __init__(self, num_classes=10):
        super().__init__()
        self.conv1 = IncompleteConv2D(32, (3,3), idp=1.0, activation='relu')
        self.pool1 = keras.layers.MaxPooling2D((2,2))
        self.conv2 = IncompleteConv2D(64, (3,3), idp=1.0, activation='relu')
        self.pool2 = keras.layers.MaxPooling2D((2,2))
        self.flatten = keras.layers.Flatten()
        self.dense = keras.layers.Dense(num_classes, activation='softmax')

    def call(self, inputs):
        x = self.conv1(inputs)
        x = self.pool1(x)
        x = self.conv2(x)
        x = self.pool2(x)
        x = self.flatten(x)
        return self.dense(x)

    def set_idp(self, idp_value):
        """全局设置所有IncompleteConv2D层的IDP值"""
        _set_idp_recursive(self, idp_value)

3. 动态设置IDP并执行评估 #

训练时IDP保持默认的1.0，评估前调用set_idp方法修改IDP，再执行evaluate：

# 初始化模型并训练
model = CustomModel(num_classes=10)
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(X_train, y_train, epochs=10, validation_data=(X_val, y_val))

# 评估阶段：设置IDP=0.8
model.set_idp(0.8)
test_loss, test_acc = model.evaluate(X_test_data, y_test)
print(f"测试精度（IDP=0.8）：{test_acc:.4f}")

# 恢复IDP=1.0，执行全通道评估
model.set_idp(1.0)
full_test_loss, full_test_acc = model.evaluate(X_test_data, y_test)
print(f"测试精度（IDP=1.0）：{full_test_acc:.4f}")

备选方案：用回调动态设置IDP #

如果你偏好使用回调，可定义一个在测试开始时修改IDP的回调类：

class IDPCallback(keras.callbacks.Callback):
    def __init__(self, idp_value):
        self.idp_value = idp_value

    def on_test_begin(self, logs=None):
        _set_idp_recursive(self.model, self.idp_value)

# 使用方式
model.evaluate(X_test_data, y_test, callbacks=[IDPCallback(0.8)])

为什么之前的尝试没生效？ #

• 直接给model.evaluate传IDP=0.8会报错，因为evaluate方法不接受自定义参数。
• 若之前的回调没生效，大概率是没有递归遍历嵌套层（比如模型里包含Sequential子层），导致部分IncompleteConv2D层的IDP未被修改。

内容的提问来源于stack exchange，提问作者Yining Yuan