Keras中layer.get_output_shape_at()报无输出形状异常的原因及解决方法

前阵子我在Kaggle用TensorFlow 2.3.1复现代码时，碰到了一个挺典型的错误，先把当时的代码片段和报错信息贴出来：

复现代码片段 #

input_shape = (size, size, 3)
in_lay = tf.keras.layers.Input(shape = input_shape)
# 此处重复定义in_lay不影响核心问题
in_lay = tf.keras.layers.Input(shape = input_shape)
base_pretrained_model = tf.keras.applications.VGG16(input_shape = input_shape, include_top = False, weights = 'imagenet')
base_pretrained_model.trainable = False
# 就是这行代码抛出了错误
pt_depth = base_pretrained_model.get_output_shape_at(0)[-1]
pt_features = base_pretrained_model(in_lay)
bn_features = tf.keras.layers.BatchNormalization()(pt_features)
# ... 后续代码

报错信息 #

pt_depth = base_pretrained_model.get_output_shape_at(0)[-1]
File "/home/xxxx/anaconda3/envs/py36/lib/python3.6/site-packages/tensorflow/python/keras/engine/base_layer.py", line 2030, in get_output_shape_at
'output shape')
File "/home/xxxx/anaconda3/envs/py36/lib/python3.6/site-packages/tensorflow/python/keras/engine/base_layer.py", line 2603, in _get_node_attribute_at_index
'and thus has no defined ' + attr_name + '.')
RuntimeError: The layer has never been called and thus has no defined output shape.

错误原因 #

这个错误的本质很简单：get_output_shape_at()方法依赖于层已经被实际调用过（也就是有输入张量流过该层）。在你的代码里，你先创建了VGG16模型，紧接着就调用get_output_shape_at(0)，但此时这个模型还没有处理过任何输入——pt_features = base_pretrained_model(in_lay)这行代码是在获取输出形状之后才执行的，所以Keras不知道这个模型的输出形状是什么，自然就抛出了RuntimeError。

解决方法 #

这里有两个简单可行的解决思路：

方法一：调整代码顺序，先让模型处理输入

只需要把调用模型的代码移到获取输出形状之前，让模型先“跑”一次输入，这样它就会记录下输出形状了：

input_shape = (size, size, 3)
in_lay = tf.keras.layers.Input(shape = input_shape)
base_pretrained_model = tf.keras.applications.VGG16(input_shape = input_shape, include_top = False, weights = 'imagenet')
base_pretrained_model.trainable = False
# 先让模型处理输入，生成输出张量
pt_features = base_pretrained_model(in_lay)
# 现在就可以正常获取输出形状了
pt_depth = base_pretrained_model.get_output_shape_at(0)[-1]
bn_features = tf.keras.layers.BatchNormalization()(pt_features)
# ... 后续代码

方法二：直接访问模型的output_shape属性

对于像VGG16这种已经指定了input_shape的预训练模型，其实不需要调用模型也能获取输出形状，直接访问output_shape属性就行，这样更简洁：

input_shape = (size, size, 3)
in_lay = tf.keras.layers.Input(shape = input_shape)
base_pretrained_model = tf.keras.applications.VGG16(input_shape = input_shape, include_top = False, weights = 'imagenet')
base_pretrained_model.trainable = False
# 直接用output_shape获取输出通道数
pt_depth = base_pretrained_model.output_shape[-1]
pt_features = base_pretrained_model(in_lay)
bn_features = tf.keras.layers.BatchNormalization()(pt_features)
# ... 后续代码

这两种方法都能解决这个问题，我个人更推荐方法二，因为不需要调整代码顺序，逻辑上也更直接。

内容的提问来源于stack exchange，提问作者passinger