如何从带短跳跃连接的Keras模型中移除批量归一化层？

直接上可运行的解决方案，核心思路是用张量映射字典动态追踪每个层的输入输出，避免硬编码索引导致的跳跃连接混乱。你的原方法失效是因为手动指定了跳跃连接的输入层索引，这完全不通用，且没有正确对应跳过BN层后的张量流向。

完整实现代码 #

import keras
from keras import layers
from keras.models import Model
import efficientnet_3D.keras as efn

# 1. 加载原始3D EfficientNetB0模型
input_shape = (32,32,32,3)
original_model = efn.EfficientNetB0(input_shape=input_shape, weights='imagenet', include_top=False)

# 2. 构建新模型：跳过所有BN层，动态追踪张量映射
tensor_map = {}  # 记录原始层输出 -> 新模型对应张量
# 先处理输入层
tensor_map[original_model.input.name] = original_model.input

for layer in original_model.layers:
    # 跳过所有批量归一化层（名字含'bn'）
    if 'bn' in layer.name:
        continue
    
    # 获取当前层的输入张量：可能是单个张量或列表
    if isinstance(layer.input, list):
        # 多输入（比如跳跃连接），从映射字典中找对应的新张量
        new_inputs = [tensor_map[inp.name] for inp in layer.input]
    else:
        # 单输入
        new_inputs = tensor_map[layer.input.name]
    
    # 复制当前层的配置，创建新层并连接输入
    new_layer = layer.__class__.from_config(layer.get_config())
    new_output = new_layer(new_inputs)
    
    # 更新映射字典，记录当前层输出对应的新张量
    tensor_map[layer.output.name] = new_output

# 3. 添加你的自定义输出层
x = tensor_map[original_model.layers[-1].output.name]
x = layers.Flatten()(x)
x = layers.Dense(16)(x)
x = layers.Dense(16)(x)
x = layers.Dense(1)(x)

# 4. 构建最终模型
new_model = Model(inputs=original_model.input, outputs=x)
new_model.compile(loss='mse', optimizer='adam', metrics=['mean_absolute_error'])
new_model.summary()

关键细节说明 #

• 张量映射字典tensor_map：这是核心，它记录了原始模型中每个张量对应的新模型张量。不管跳过多少BN层，都能准确找到当前层需要的输入，完美适配跳跃连接的多输入场景。
• 层复制方式：用layer.__class__.from_config(layer.get_config())复制原始层的参数配置，保证除了BN层被移除，其他层的权重和结构和原模型一致。
• 跳过BN层的逻辑：直接通过层名判断（EfficientNet的BN层名字都带'bn'），如果你的模型BN层命名规则不同，只需修改判断条件即可。

原方法失效原因 #

你手动指定了model.layers[6].output作为跳跃连接的输入，这是硬编码索引，一旦跳过BN层，原模型的层索引和新模型的张量流向完全不匹配，必然导致模型结构混乱。而动态张量映射的方法完全不依赖层索引，只追踪张量的实际流向，从根源解决了跳跃连接的适配问题。

内容的提问来源于stack exchange，提问作者Ali