Keras子类API构建卷积网络时model.summary()输出异常求助

你遇到的这个问题是Keras子类API的常见特性，完全不用重写model.summary()方法，两个简单步骤就能搞定：

问题根源 #

1. 层顺序混乱：子类模型的summary()默认是按照你在__init__方法里定义层的顺序来展示的，而不是call方法中实际的执行顺序，所以才会出现和你逻辑不符的层排列。
2. 输出形状显示multiple：仅调用build()只是让模型知晓输入的形状框架，但没有实际运行计算图，Keras无法推导各层的具体输出形状，因此只能显示multiple。

具体解决方法 #

1. 调整层的定义顺序，与执行逻辑对齐 #

把__init__里的层定义顺序改成和call方法中的执行顺序一致，这样summary里的层顺序就会和模型实际运行的顺序匹配。

2. 用示例输入触发计算图构建 #

在调用summary()之前，让模型处理一次符合输入形状的虚拟张量，或者直接在初始化模型时指定输入形状（Python 3.6+支持），这样Keras就能计算出各层的准确输出形状。

修改后的完整代码 #

import tensorflow as tf
from tensorflow import keras

class thing(keras.Model):
    def __init__(self, **kwargs):
        super().__init__(**kwargs)
        # 按call方法中的执行顺序定义层
        self.conv1 = keras.layers.Conv2D(96, kernel_size=(11, 11), strides=4, activation="relu", data_format="channels_last")
        self.pool = keras.layers.MaxPooling2D(pool_size=(3,3), strides=2, data_format="channels_last")
        self.flatten = keras.layers.Flatten(data_format="channels_last")
        self.dense = keras.layers.Dense(4096, activation="relu")
        
    def call(self, inputs):
        conv1 = self.conv1(inputs)
        pool1 = self.pool(conv1)
        flatten_conv = self.flatten(pool1)
        ff_1 = self.dense(flatten_conv)
        return ff_1

# 方法一：用虚拟输入调用模型，触发计算图构建
a = thing()
dummy_input = tf.random.normal((1, 277, 277, 3))
_ = a(dummy_input)
a.summary()

# 方法二：初始化时直接指定input_shape（Python 3.6+支持）
# a = thing(input_shape=(277,277,3))
# a.summary()

执行后，summary()会输出正确的结果：

Model: "thing"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 conv2d (Conv2D)             (1, 67, 67, 96)           34944     
                                                                 
 max_pooling2d (MaxPooling2D  (1, 33, 33, 96)          0         
 )                                                               
                                                                 
 flatten (Flatten)           (1, 10368)                0         
                                                                 
 dense (Dense)               (1, 4096)                 415240192 
                                                                 
=================================================================
Total params: 415,275,136
Trainable params: 415,275,136
Non-trainable params: 0
_________________________________________________________________

内容的提问来源于stack exchange，提问作者Aditya Mehrotra