Keras子类模型中CNN中间层可视化报错问题求助

你遇到的问题核心在于：你尝试直接用原始输入去单独喂给每个CNN层，但这些层是串联依赖的——后续CNN层的输入需要是前一层的输出，而不是原始图像输入。另外你的Input形状定义和模型call方法也存在小问题，我们一步步来修复：

1. 先修正子类模型的call方法 #

你的call方法最后返回的是一个包含层对象的字典，这不符合Keras模型的要求（模型应该返回张量输出），改成下面这样：

def call(self, inputs, **kwargs):
    inp = inputs
    for layer in self.layer_list:
        inp = layer(inp)
    # 返回最终的张量输出，而不是包含层对象的字典
    return inp

2. 修正中间层可视化的核心逻辑 #

原来的代码直接将每个CNN层和原始Input绑定，但忽略了层之间的依赖关系。正确的做法是构建从原始输入到目标CNN层的完整路径模型，确保每个层都能拿到正确的输入形状：

import tensorflow as tf
import matplotlib.pyplot as plt

# 初始化模型并构建
model = MyModel()
evaluation_img = ...  # 你的(1,256,256,3)输入张量
model.build(evaluation_img.shape)

# 定义正确的Input形状：去掉batch维度，只保留图像的shape
input_tensor = tf.keras.Input(shape=evaluation_img.shape[1:])  # shape=(256,256,3)
current_output = input_tensor
intermediate_models = []

# 遍历模型层，逐步构建到每个CNN层的完整模型
for layer in model.layer_list:
    current_output = layer(current_output)
    if "cnn" in layer.name:
        # 构建从输入到当前CNN层的模型
        intermediate_model = tf.keras.Model(inputs=input_tensor, outputs=current_output)
        intermediate_models.append(intermediate_model)

# 逐个可视化每个CNN层的输出
for idx, inter_model in enumerate(intermediate_models):
    inter_output = inter_model.predict(evaluation_img, verbose=0)
    # 可视化该层最后一个通道的特征图
    plt.matshow(inter_output[0, :, :, -1], cmap='viridis')
    plt.title(f"CNN Layer: {inter_model.output.name}")
    plt.axis('off')
    plt.show()

为什么原来的代码只在第一个CNN层生效？ #

第一个CNN层cnn_256pix_1的输入确实是原始图像（通道数3），所以直接绑定原始Input没问题；但第二个CNN层cnn_256pix_2期望输入通道数是32（前一个Conv2D的输出通道数），你直接喂给它通道数为3的原始图像，自然会触发形状不匹配的错误。

额外小提示 #

你的compile方法里手动设置self.output_names其实是多余的，当模型返回单个张量时，Keras会自动处理输出名称，所以可以简化compile方法：

def compile(self, loss='mse', optimizer=tf.keras.optimizers.RMSprop(lr=0.0001, clipvalue=1.0), **kwargs):
    return super().compile(loss=loss, optimizer=optimizer, **kwargs)

内容的提问来源于stack exchange，提问作者Elidor00