解决TensorFlow 1.x与2.x不兼容问题：使用backend查看层激活并兼容新接口

两种方案可同时兼容TF2.x新增接口调用、层激活值获取需求：

方案1：关闭eager执行，最小化修改原有代码 #

TF2.x默认开启eager执行模式，导致K.learning_phase()返回整数而非张量占位符，触发输入格式报错。仅需在导入TensorFlow后添加一行代码关闭eager执行，即可兼容你原有的全部逻辑：

import tensorflow as tf
# 新增行：关闭eager执行，兼容TF1.x静态图逻辑
tf.compat.v1.disable_eager_execution()
from tensorflow.keras.preprocessing import image_dataset_from_directory

IMG_SHAPE = (160, 160) + (3,)
base_model = tf.keras.applications.MobileNetV2(input_shape=IMG_SHAPE,
                                               include_top=False,
                                               weights='imagenet')

K=tf.keras.backend
func = K.function([base_model.input, K.learning_phase()],[layer.output for layer in base_model.layers if layer.output is not base_model.input])

该方案改动量极小，原有业务逻辑无需调整。

方案2：适配TF2原生逻辑（更推荐） #

无需关闭eager执行，直接通过构建多输出模型的方式获取各层激活值，完全符合TF2的设计规范，可同时使用所有TF2新增特性：

import tensorflow as tf
from tensorflow.keras.preprocessing import image_dataset_from_directory

IMG_SHAPE = (160, 160) + (3,)
base_model = tf.keras.applications.MobileNetV2(input_shape=IMG_SHAPE,
                                               include_top=False,
                                               weights='imagenet')

# 构建多输出模型，输出除输入层外所有层的结果
layer_outputs = [layer.output for layer in base_model.layers if layer.output is not base_model.input]
activation_model = tf.keras.Model(inputs=base_model.input, outputs=layer_outputs)

# 调用时传入输入数据，通过training参数控制学习阶段（True为训练模式，False为推理模式）
# 示例调用：activations = activation_model(your_input_tensor, training=False)

该方案无需依赖静态图接口，执行效率更高，适配后续TF版本迭代。

内容的提问来源于stack exchange，提问作者Tsvi Achler