TensorFlow如何通过自定义输入层使用预训练网络部分层输出

你原有代码的问题是直接给预训练模型的inputs属性赋值，Keras模型的输入是构建阶段生成的，直接赋值会打断计算图连接，导致模型结构异常。
正确的实现逻辑是通过预训练模型提供的input_tensor参数，直接接入你处理好的自定义输入张量，不需要手动修改模型的输入属性，完整可运行代码如下：

import tensorflow as tf
from tensorflow.keras import layers, Model
from tensorflow.keras.applications import InceptionV3

# 构建自定义输入层 + 自定义预处理逻辑
inputs = layers.Input(shape=(299,299,3))
# 替换成你自己的输入处理逻辑，保证输出形状与InceptionV3输入要求匹配
x = inputs  # 此处为示例，替换为你的预处理计算
custom_processed_input = x

# 加载预训练模型，通过input_tensor参数直接接入自定义处理后的张量
pre_trained_model = InceptionV3(
    input_tensor=custom_processed_input,
    include_top=False,
    weights='imagenet'
)

# 冻结预训练模型权重
for layer in pre_trained_model.layers:
    layer.trainable = False

# 提取指定中间层的输出
last_output = pre_trained_model.get_layer('mixed4').output

# 接自定义下游结构
x = layers.Flatten()(last_output)
x = layers.BatchNormalization()(x)
x = layers.Dense(500, activation='relu', kernel_regularizer='l2')(x)
x = layers.Dropout(0.2)(x)
x = layers.BatchNormalization()(x)
x = layers.Dense(256, activation='relu', kernel_regularizer='l2')(x)
x = layers.BatchNormalization()(x)
outputs = layers.Dense(4, activation='softmax')(x)

# 构建最终模型，输入为最开始定义的原始自定义输入
model = Model(inputs=inputs, outputs=outputs)

• 自定义输入经过预处理后，形状、数值范围要和预训练模型的输入要求匹配，比如InceptionV3默认输入值范围为[0,1]或[-1,1]，自定义处理时需要对齐要求。
• 提取中间层之前，可以先执行print([l.name for l in pre_trained_model.layers])打印所有层名，确认目标层名拼写正确，避免报错。
• 如果后续需要做微调，只需要把对应要训练的层的trainable设为True，重新编译模型即可生效，不需要修改模型结构。
• 最终构建Model实例时，输入要传最开始定义的原始Input张量，这样自定义输入预处理逻辑会被打包进整个模型，推理时可以直接喂原始输入，不需要额外单独处理。

内容的提问来源于stack exchange，提问作者V.Hunon