TF2.6自定义迁移学习模型已调用build仍提示输入形状未设置无法保存如何解决

ValueError: Model <__main__.MyModel object at 0x7fc66134bdd0> cannot be saved because the input shapes have not been set.

该报错的核心原因是：TensorFlow 对tf.keras.Model子类实现的自定义模型，仅在__init__中调用build()方法不会完整记录模型的输入签名元数据，SavedModel格式保存要求模型有明确的前向传播跟踪记录，仅靠build无法满足这个要求。

以下两个方案任选其一即可：

• 方案1：执行一次dummy前向传播
  实例化模型后，传入一个符合输入形状的随机张量触发一次前向计算，不需要调用fit或predict，即可让模型完整记录输入形状信息：

  model = MyModel(input_shape=(256, 256, 3))
  # 新增这一行，传入batch_size为1的随机输入触发前向传播
  _ = model(tf.random.uniform((1, 256, 256, 3)))
  model.save('./saved')
  

• 方案2：保存时显式指定输入签名
  如果不想执行额外的前向传播，也可以在调用save方法时手动指定输入签名：

  model = MyModel(input_shape=(256, 256, 3))
  model.save(
      './saved',
      signatures=model.call.get_concrete_function(
          tf.TensorSpec(shape=(None, 256, 256, 3), dtype=tf.float32)
      )
  )
  

你当前把self.weight_dict['backbone'].trainable = False写在了call方法里，会导致每一次前向传播都重复设置backbone的可训练属性，建议挪到__init__方法中，调整后逻辑更规范：

def __init__(self, input_shape, num_classes=5, dropout_rate=0.5):
    super(MyModel, self).__init__()
    self.weight_dict = {}
    self.weight_dict['backbone'] = Xception(input_shape=input_shape, weights='imagenet', include_top=False)
    # 把冻结backbone的逻辑挪到此处
    self.weight_dict['backbone'].trainable = False
    self.weight_dict['outputs'] = Conv2D(num_classes, (1, 1), padding="same", activation="softmax")
    self.build((None,) + input_shape)

def call(self, inputs, training=False):
    x = self.weight_dict['backbone'](inputs)
    x = self.weight_dict['outputs'](x)
    return x

内容的提问来源于stack exchange，提问作者Jim