如何为Keras下Segmentation_Models的ResNet34 U-Net添加Dropout层

错误原因 #

你遇到的AttributeError: 'KerasTensor' object has no attribute 'output'报错根源在于：循环第一次执行后，updated_model_layers已经变成Keras张量对象，不再是Keras层对象，没有output属性。除此之外你的实现逻辑还有一个更严重的问题：直接按顺序遍历模型层会完全丢失UNet的跳跃连接结构，最终生成的模型和原UNet结构完全不符，无法正常使用。

可行解决方案 #

import tensorflow as tf
from tensorflow.keras.layers import Dropout
from tensorflow.keras.models import Model
import segmentation_models as sm

# 配置参数
uncertain = True
dropout_rate = 0.1
# 需要插入Dropout的卷积层名称
target_layers = ['decoder_stage0b_conv', 'decoder_stage0a_conv', 'decoder_stage1a_conv', 
                 'decoder_stage1b_conv', 'decoder_stage2a_conv', 'decoder_stage2b_conv', 
                 'decoder_stage3a_conv', 'decoder_stage3b_conv', 'decoder_stage4a_conv']

# 创建原模型
model = sm.Unet('resnet34', classes=1, activation='sigmoid', encoder_weights='imagenet')

# 构建层输出映射字典
layer_outputs = {}
# 按依赖关系遍历所有层重算输出
for layer in model.layers:
    # 获取当前层的输入张量
    if isinstance(layer.input, list):
        inputs = [layer_outputs[inp.name] if inp.name in layer_outputs else inp for inp in layer.input]
    else:
        inputs = layer_outputs[layer.input.name] if layer.input.name in layer_outputs else layer.input
    
    # 计算当前层输出
    cur_output = layer(inputs)
    
    # 目标卷积层后插入Dropout
    if layer.name in target_layers:
        if uncertain:
            # 推理阶段也开启Dropout用于不确定性估计
            cur_output = Dropout(dropout_rate)(cur_output, training=True)
        else:
            cur_output = Dropout(dropout_rate)(cur_output)
    
    # 保存输出到映射字典
    layer_outputs[layer.output.name] = cur_output

# 构建新模型
new_model = Model(inputs=model.inputs, outputs=layer_outputs[model.output.name])

# 编译模型
optim = tf.keras.optimizers.Adam(0.001)
total_loss = sm.losses.binary_focal_dice_loss
metrics = ['accuracy', sm.metrics.IOUScore(threshold=0.5), sm.metrics.FScore(threshold=0.5)]
new_model.compile(optimizer=optim, loss=total_loss, metrics=metrics)

关键说明 #

• 本方案通过层输出映射的方式完整保留了原UNet的跳跃连接结构，不会破坏原有特征传递逻辑
• 当uncertain参数设为True时，Dropout层在推理阶段也会保持开启。做不确定性估计时，你只需要对同一个输入执行多次前向推理，计算多次输出结果的方差即可得到对应预测的不确定性
• 如果你只需要Dropout做训练正则化，不需要推理阶段开启，将uncertain设为False即可

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