构建CNN模型时遇AttributeError：'function'对象无'summary'属性求助

嘿，我一眼就揪出问题所在了——你在vgg()函数里犯了个超容易忽略的小失误！

你看函数最后一行写的是return vgg，这意味着你返回的是函数本身，而不是你花功夫构建好的model对象。当你执行model = vgg()时，model变量其实指向的是这个函数，而非Keras模型实例，自然就没有summary()方法啦，这才是报错的根本原因。

和你怀疑的滤波器数量、全连接层单元数完全没关系哦，那些参数只会影响模型的训练速度或内存占用，不会触发这个属性错误。

来看看修复后的完整代码：

from keras.models import Sequential
from keras.layers import Conv2D,MaxPooling2D,Flatten,Dense
from keras.optimizers import Adam

def vgg():
    kernel=(3,3)
    pool=(2,2)
    model=Sequential()
    model.add(Conv2D(96,kernel,padding='same',input_shape=(32,32,1),activation='relu'))
    model.add(Conv2D(96,kernel,padding='same',activation='relu'))
    model.add(MaxPooling2D(pool,strides=2,padding='same'))
    model.add(Conv2D(128,kernel,padding='same',activation='relu'))
    model.add(Conv2D(128,kernel,padding='same',activation='relu'))
    model.add(MaxPooling2D(pool,strides=2,padding='same'))
    model.add(Conv2D(256,kernel,padding='same',activation='relu'))
    model.add(Conv2D(256,kernel,padding='same',activation='relu'))
    model.add(Conv2D(256,kernel,padding='same',activation='relu'))
    model.add(MaxPooling2D(pool,strides=2,padding='same'))
    model.add(Conv2D(512,kernel,padding='same',activation='relu'))
    model.add(Conv2D(512,kernel,padding='same',activation='relu'))
    model.add(Conv2D(512,kernel,padding='same',activation='relu'))
    model.add(MaxPooling2D(pool,strides=2,padding='same'))
    model.add(Conv2D(512,kernel,padding='same',activation='relu'))
    model.add(Conv2D(512,kernel,padding='same',activation='relu'))
    model.add(Conv2D(512,kernel,padding='same',activation='relu'))
    model.add(MaxPooling2D(pool,strides=2,padding='same'))
    model.add(Flatten())
    model.add(Dense(4096,activation='relu'))
    model.add(Dense(4096,activation='relu'))
    model.add(Dense(43,activation='softmax'))
    model.compile(Adam(lr=0.001),loss='categorical_crossentropy',metrics=['accuracy'])
    return model  # 这里改成返回model对象！

model=vgg()
print(model.summary())

只需要把函数最后一行的return vgg改成return model，就能解决这个问题啦。

另外，如果你之后真遇到模型参数过多导致的内存不足问题，可以试试这些小技巧：

• 减少卷积层的滤波器数量，比如把96改成64、512改成256
• 缩小全连接层的单元数，比如把4096改成1024
• 启用混合精度训练来降低内存占用

内容的提问来源于stack exchange，提问作者Harshit Bargali