如何创建自定义tf.keras.Model类 调用summary()提示未构建如何解决

你的动态组装模型的思路是可行的，但现有写法存在核心逻辑错误，修正后可正常使用。

核心错误原因 #

1. 混淆了Keras层实例和张量的用法
   你在__init__中定义的self.x从始至终都是计算图中的张量（tf.keras.Input生成的是输入张量，后续赋值也是张量经过层计算后的输出张量），不是可调用的层实例。call方法需要接收输入张量，传入你定义的层得到输出，而非拿预先生成的静态张量调用输入。
2. 没有正确追踪模型层参数
   你没有把用到的层（比如ResNet50基础模型）保存为类的实例属性，TensorFlow无法正确追踪这些层的参数，也无法识别模型的拓扑结构，因此调用summary()时会抛出未构建的报错。

修正方案 #

方案1：保持tf.keras.Model子类写法 #

import tensorflow as tf
from tensorflow import keras

class ModelMaker(tf.keras.Model):
  def __init__(self, img_height, img_width, trained='None'):
    super().__init__()
    self.trained = trained
    # 仅将用到的层定义为实例属性，不提前计算张量
    self.preprocess = None
    self.base_model = None
    
    if trained == 'ResNet50':
      self.preprocess = tf.keras.applications.resnet50.preprocess_input
      IMG_SHAPE = (img_height, img_width, 3)
      base_model = tf.keras.applications.ResNet50(input_shape=IMG_SHAPE,
                                                  include_top=False,
                                                  weights='imagenet')
      # 仅批量归一化层设为可训练
      for layer in base_model.layers:
        layer.trainable = isinstance(layer, keras.layers.BatchNormalization)
      self.base_model = base_model

  def call(self, inputs):
    x = inputs
    if self.trained == 'ResNet50':
      x = self.preprocess(x)
      x = self.base_model(x)
    return x

调用方法：

# 实例化后先指定输入形状完成构建
model = ModelMaker(224, 224, trained='ResNet50')
model.build(input_shape=(None, 224, 224, 3))
# 可正常查看结构
model.summary()

方案2：更适配动态组装需求的Functional API写法 #

你要实现的动态拼接层的需求，用Keras函数式API实现更简单，无需处理子类的构建逻辑，生成的模型可直接查看结构：

def build_model(img_height, img_width, trained='None'):
  inputs = tf.keras.Input(shape=(img_height, img_width, 3), name="input_layer")
  x = inputs
  if trained == 'ResNet50':
    x = tf.keras.applications.resnet50.preprocess_input(x)
    base_model = tf.keras.applications.ResNet50(input_shape=(img_height, img_width, 3),
                                                include_top=False,
                                                weights='imagenet')
    for layer in base_model.layers:
      layer.trainable = isinstance(layer, keras.layers.BatchNormalization)
    x = base_model(x)
  # 后续扩展可直接在这里添加全局池化、分类全连接层等逻辑
  # x = tf.keras.layers.GlobalAveragePooling2D()(x)
  # outputs = tf.keras.layers.Dense(分类数, activation='softmax')(x)
  model = tf.keras.Model(inputs=inputs, outputs=x)
  return model

# 直接生成模型即可查看结构
model = build_model(224,224,trained='ResNet50')
model.summary()

内容的提问来源于stack exchange，提问作者er3016