修正Keras预训练模型中MaxPooling2D替换为AveragePooling2D的错误

错误原因解析 #

原代码中layer.__name__的写法错误，InputLayer对象没有__name__属性，判断层类型应该用type(layer).__name__或者更稳妥的isinstance()方法。同时，直接调用model.add()修改预训练Functional模型的逻辑不成立，VGG16是Functional结构，必须通过重新构建模型的方式替换中间层。

修正后的代码 #

以下代码会完整保留VGG16的预训练权重，仅将所有MaxPooling2D层替换为参数完全匹配的AveragePooling2D层：

import tensorflow as tf
from tensorflow.keras import applications
from tensorflow.keras.models import Model
from tensorflow.keras.layers import AveragePooling2D

# 加载预训练VGG16（不含顶层）
model_input = (224, 224, 3)
original_model = applications.VGG16(include_top=False,
                                    weights='imagenet',
                                    input_shape=model_input)

# 初始化新模型的输入
x = original_model.input

# 逐层遍历原模型，替换池化层
for layer in original_model.layers[1:]:  # 跳过InputLayer
    if isinstance(layer, tf.keras.layers.MaxPooling2D):
        # 复制原MaxPooling的参数，创建AveragePooling层
        avg_pool = AveragePooling2D(
            pool_size=layer.pool_size,
            strides=layer.strides,
            padding=layer.padding,
            name=layer.name.replace('max', 'avg')
        )
        x = avg_pool(x)
    else:
        # 复制原层（保留预训练权重）
        x = layer(x)

# 构建新模型
new_model = Model(inputs=original_model.input, outputs=x)
new_model.summary()

关于带跳跃连接/密集块模型的适配说明 #

对于ResNet、DenseNet这类包含跳跃连接或密集连接的模型，上述线性遍历的方法无法直接适用，原因如下：

• 这类模型存在分支结构，不能简单按顺序逐层传递张量
• 跳跃连接的维度需要严格匹配，替换池化层时可能需要同步调整shortcut分支的下采样逻辑（比如将shortcut中的MaxPooling也替换为AveragePooling，或调整卷积层的步幅）

以ResNet为例，需要遍历模型的每个分支模块，在模块内部替换池化层，同时保证shortcut路径的输出维度与主路径一致，避免出现张量形状不匹配的错误。

内容的提问来源于stack exchange，提问作者shiva