如何在TensorFlow 2.0 Keras中查看预训练InceptionResNetV2各层激活形状

我来帮你搞定这个问题——要查看InceptionResNetV2各层输出的完整形状（包括宽、高和深度），其实有几个简单实用的方法，我逐个给你拆解：

方法1：显式指定输入形状后调用summary() #

你之前创建模型时没明确指定input_shape，虽然InceptionResNetV2默认输入尺寸是299x299，但当include_top=False时，模型有时不会自动推导完整的输出形状。重新创建模型时加上这个参数，就能让summary()显示完整的维度信息：

import tensorflow as tf

base_model = tf.keras.applications.inception_resnet_v2.InceptionResNetV2(
    include_top=False, 
    weights='imagenet',
    input_shape=(299, 299, 3)  # 显式声明输入形状
)
base_model.summary()

这时候你会看到每一层的输出形状类似(None, 8, 8, 1536)：None是批量维度，8x8就是特征图的宽高，1536是滤波器数量（深度）。

方法2：给模型喂一个dummy输入，遍历层获取形状 #

如果已经创建好模型不想重新初始化，可以用一个随机的dummy输入让模型完成一次前向传播，这样各层的输出形状就会被确定下来：

# 生成符合输入要求的随机张量（批量大小1，299x299x3）
dummy_input = tf.random.normal((1, 299, 299, 3))

# 让模型前向传播一次，触发形状推导
_ = base_model(dummy_input)

# 遍历所有层，打印层名和对应的输出形状
for layer in base_model.layers:
    print(f"层名: {layer.name}, 输出形状: {layer.output_shape}")

这样就能轻松获取每一层的完整维度信息了。

方法3：构建全输出模型，一次性获取所有层形状 #

如果想更系统地查看所有层的输出形状，可以构建一个新模型，把原模型每一层的输出都作为新模型的输出，这样能一次性拿到所有结果：

inputs = tf.keras.Input(shape=(299, 299, 3))
x = inputs
layer_outputs = []

# 遍历原模型的每一层，依次传递输入并记录输出
for layer in base_model.layers:
    x = layer(x)
    layer_outputs.append(x)

# 创建包含所有层输出的模型
full_output_model = tf.keras.Model(inputs=inputs, outputs=layer_outputs)

# 获取每个输出的形状
dummy_input = tf.random.normal((1, 299, 299, 3))
output_shapes = [output.shape for output in full_output_model(dummy_input)]

# 配对层名和形状打印
for layer, shape in zip(base_model.layers, output_shapes):
    print(f"{layer.name}: {shape}")

额外小建议 #

拿到各层的形状后，你可以根据这些信息来决定冻结哪些层：

• 靠近输入的层（特征图宽高大，提取的是边缘、纹理等通用特征）通常适合冻结，避免破坏预训练的通用特征。
• 靠近输出的层（特征图宽高小，提取的是更抽象的任务相关特征）可以选择微调，让模型适配你的下游任务。

内容的提问来源于stack exchange，提问作者user8270077