Keras采用延迟初始化机制：当你用预训练CV模型叠加自定义顶层时，新增的层并不会立刻初始化权重——因为Keras还不知道输入数据的具体形状。直接调用predict()会报错，本质是模型还没“真正完成构建”。

假设你的模型是这样构建的（预训练模型+自定义顶层）：

from tensorflow.keras.applications import ResNet50
from tensorflow.keras.layers import Dense, GlobalAveragePooling2D
from tensorflow.keras.models import Model

# 加载预训练模型（不含顶层分类器）
base_model = ResNet50(weights='imagenet', include_top=False)
# 新增自定义顶层
x = base_model.output
x = GlobalAveragePooling2D()(x)
predictions = Dense(10, activation='softmax')(x)
# 组装完整模型
model = Model(inputs=base_model.input, outputs=predictions)

你可以用以下两种方式快速完成权重实例化：

方法1：显式调用model.build() #

直接告诉模型输入数据的形状，强制触发所有层的权重初始化：

# 输入形状要和预训练模型要求一致（比如ResNet是(224,224,3)，batch维度用None）
model.build(input_shape=(None, 224, 224, 3))

# 现在可以正常调用predict了
import tensorflow as tf
dummy_pred = model.predict(tf.random.normal((1, 224, 224, 3)))

预训练层的权重会保留，新增的顶层会用默认的随机初始化器（比如GlorotUniform）生成权重。

方法2：用“假数据”触发初始化 #

给模型喂一个符合输入形状的dummy tensor，让Keras自动完成权重初始化：

# 创建一个批量大小为1的假输入
dummy_input = tf.random.normal((1, 224, 224, 3))
# 调用一次模型（不用关心输出结果）
_ = model(dummy_input)

# 现在predict可以正常运行
dummy_pred = model.predict(dummy_input)

如果需要指定初始化方式，分两种情况处理：

1. 定义层时指定初始化器 #

在新增顶层的时候，直接设置kernel_initializer和bias_initializer：

# 零值权重示例
predictions = Dense(
    10,
    activation='softmax',
    kernel_initializer='zeros',  # 权重初始化为0
    bias_initializer='zeros'     # 偏置初始化为0
)(x)

常用的初始化器还有random_normal（正态分布随机）、he_uniform（He初始化）等，也可以自定义初始化器函数。

2. 构建模型后手动修改权重 #

如果已经定义好了模型，也可以手动修改指定层的权重：

# 先完成模型构建（用上面的build或dummy输入方法）
model.build(input_shape=(None, 224, 224, 3))

# 找到你要修改的顶层（比如最后一层Dense）
top_layer = model.layers[-1]

# 示例1：设置为零值权重
import numpy as np
zero_weights = [np.zeros_like(w) for w in top_layer.get_weights()]
top_layer.set_weights(zero_weights)

# 示例2：设置自定义权重（比如全1）
custom_weights = [np.ones_like(w) for w in top_layer.get_weights()]
top_layer.set_weights(custom_weights)

不管你是用Functional API、Sequential还是子类化模型，以下三种方法都通用：

• 显式build：调用model.build(input_shape)，input_shape要匹配模型输入的维度（batch维度用None）。
• dummy输入触发：用符合形状的假数据调用一次模型（model(dummy_input)或model.predict(dummy_input)）。
• 定义时指定输入形状：在模型第一层（比如Sequential的第一层，或者Functional的Input层）就指定input_shape，这样模型在定义时就会完成权重初始化：

  # Sequential示例
  from tensorflow.keras.models import Sequential
  from tensorflow.keras.layers import Conv2D, Dense
  
  model = Sequential([
      Conv2D(32, kernel_size=(3,3), input_shape=(224,224,3)),  # 直接指定输入形状
      Dense(10, activation='softmax')
  ])
  # 模型已经完成权重初始化，可以直接调用predict
  

• 预训练模型的权重在加载时已经存在，不需要重新初始化，只有你新增的自定义层会被初始化。
• 手动修改权重时，要确保你的权重数组形状和层的权重形状完全一致，否则会抛出维度不匹配的错误。
• 子类化模型（继承tf.keras.Model）需要在__init__中调用super().__init__()，并在call方法中定义前向传播，同样可以用上述方法触发权重初始化。

内容的提问来源于stack exchange，提问作者Yunodo