TensorFlow 2中如何修改从Hub加载的ResNet模型图与函数？

针对你遇到的问题——从TF Hub加载的模型（尤其是TF1迁移过来的版本，比如resnet_v1_101 v4）无法直接查看或修改计算图和函数，我整理了几个可行的解决方案，覆盖不同场景：

1. 拆解SavedModel签名，定位并修改内部计算节点 #

TF Hub加载的模型本质是SavedModel格式，用tensorflow.saved_model.load加载后，可以通过signatures属性获取模型的推理函数（ConcreteFunction），进而访问其计算图：

import tensorflow as tf

# 加载Hub模型（本地路径或Hub URL）
model = tf.saved_model.load("https://tfhub.dev/google/resnet_v1_101/4")
# 获取默认推理签名
infer_fn = model.signatures["serving_default"]
# 获取计算图
graph = infer_fn.graph

# 打印所有操作节点，找到你要修改的部分
for op in graph.get_operations():
    print(op.name, op.type)

找到目标节点后，你可以：

• 提取子图输出，用自定义层替换后续计算逻辑
• 修改节点的属性（比如激活函数类型），不过这种方式需要熟悉TF图的底层API，操作起来稍复杂

2. 用Keras层包装，替换或插入自定义计算逻辑 #

如果只需要修改模型的输出层或某一段计算，最简便的方式是用KerasLayer包装Hub模型，然后在其前后添加自定义层，重新构建完整模型：

# 加载Hub模型作为Keras层
hub_layer = tf.keras.layers.KerasLayer("https://tfhub.dev/google/resnet_v1_101/4", trainable=True)

# 定义输入层
inputs = tf.keras.Input(shape=(224, 224, 3))
# 经过Hub模型得到特征
x = hub_layer(inputs)
# 替换原有的分类层（比如改成10分类）
outputs = tf.keras.layers.Dense(10, activation="softmax")(x)

# 构建新模型
new_model = tf.keras.Model(inputs=inputs, outputs=outputs)
new_model.compile(optimizer="adam", loss="sparse_categorical_crossentropy")

如果需要修改中间层，先设置trainable=True，然后通过hub_layer.layers查看内部层结构（部分Hub模型可能会把内部层封装成一个整体，这时候需要结合第一种方法定位节点）。

3. 针对TF1迁移模型的兼容模式修改 #

很多早期TF Hub模型是TF1格式的SavedModel，加载到TF2后会进入兼容模式。这时候可以用TF1的Session API来直接修改计算图，再转换为TF2可用的模型：

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()

# 用TF1 Session加载模型
sess = tf.Session()
tf.saved_model.loader.load(sess, ["serve"], "https://tfhub.dev/google/resnet_v1_101/4")
graph = sess.graph

# 示例：替换某个ReLU节点为LeakyReLU
# 找到目标ReLU的输出张量
old_relu_tensor = graph.get_tensor_by_name("relu_1/Relu:0")
# 创建新的LeakyReLU节点
new_relu_tensor = tf.nn.leaky_relu(old_relu_tensor, alpha=0.1, name="modified_leaky_relu")

# 修改后续节点的输入为新张量（这里需要找到后续节点的输入索引）
next_op = graph.get_operation_by_name("some_next_operation")
next_op.inputs[0].ref().assign(new_relu_tensor)

# 保存修改后的模型
tf.saved_model.simple_save(
    sess,
    "./modified_resnet",
    inputs={"input": graph.get_tensor_by_name("input_1:0")},
    outputs={"output": new_relu_tensor}
)

# 切换回TF2加载修改后的模型
tf.enable_v2_behavior()
modified_model = tf.saved_model.load("./modified_resnet")

这种方法虽然繁琐，但能处理一些深度修改的需求，适合没有Keras Applications替代的模型。

内容的提问来源于stack exchange，提问作者CEW