如何移除tf.keras预训练模型输入层，替换为自定义输入适配单通道灰度图

你遇到的计算图断开报错，本质是Keras Functional模型的计算图在实例化时就已经固定，你尝试的effB0.layers[0] = effB0.layers[0](X)只是修改了模型层列表的元素值，并不会更新模型内部的节点连接关系。EfficientNetB0实例化时生成的原生3通道输入节点仍然和后续层绑定，和你定义的单通道输入没有形成连通路径，因此抛出错误。

你需要手动重构EfficientNet的层连接路径，完全跳过原生输入节点，以你自定义的单通道转3通道的张量作为起始输入，过程中可以任意修改、裁剪中间层，完全符合你的自定义需求，参考代码如下：

import tensorflow as tf
from tensorflow.keras.layers import Input, Conv2D
from tensorflow.keras.models import Model

def build_generator(input_shape=(256,256,1), cut_layer_name=None):
    # 加载EfficientNetB0结构与预训练权重（不需要预训练则weights设为None）
    effB0 = tf.keras.applications.EfficientNetB0(
        input_shape=(256,256,3),
        include_top=False,
        weights='imagenet'
    )

    # 定义单通道输入
    inputs = Input(shape=input_shape, name="model_input")
    initializer = tf.random_normal_initializer(0., 0.02)
    
    # 单通道转3通道
    x = Conv2D(
        filters=3, kernel_size=1,
        strides=1, padding='same',
        kernel_initializer=initializer,
        activation='relu', name='first_conv'
    )(inputs)

    # 跳过原生输入层，从第二层开始依次传递张量
    for layer in effB0.layers[1:]:
        # 如需编辑中间层，在此处根据层名判断做自定义修改即可，示例：
        # if layer.name == "target_layer_name":
        #     x = 自定义操作(x)
        # else:
        x = layer(x)
        # 如需裁剪模型，指定裁剪层名后遇到该层即可停止遍历
        if cut_layer_name is not None and layer.name == cut_layer_name:
            break

    # 构建连通的新模型
    model = Model(inputs=inputs, outputs=x)
    return model

generator = build_generator()

该方案不同于你不想使用的X = effB0(X)黑盒调用写法，你可以在遍历层的过程中自由插入自定义逻辑、修改层参数、裁剪模型，完全满足编辑中间层的需求，同时不会破坏预训练权重的加载与使用。

内容的提问来源于stack exchange，提问作者Madara