Keras 2.2.4 含VGG preprocess_input的Lambda层搭配Dense及clear_session重复建模报错

这个报错的本质是跨计算图的张量不匹配：

• Keras 2.2.4搭配TensorFlow后端的实现中，keras.applications.vgg16.preprocess_input内部会创建VGG16预处理所需的均值偏移常量张量（即报错中PREPROCESS/Const:0对应的节点）。第一次调用时，这些常量会被绑定在当时的默认计算图上。
• 执行keras.backend.clear_session()会销毁旧的默认计算图、重置全局层命名规则，但不会自动回收Python内存中残留的旧层、旧张量的引用。当第二次创建模型、给Lambda层传入preprocess_input函数时，函数内部引用的依然是旧图上残留的常量张量，和新图下Lambda层的输入张量不属于同一个计算图，就会触发跨图校验的ValueError。
• 实际复现过程中，旧层、旧模型的Python全局引用没有被显式删除时，垃圾回收可能因为层对象的循环引用无法及时释放旧内存，进一步加剧新旧图节点的混杂问题。

方案1：手动实现预处理逻辑（对Keras2.2.4兼容性最好） #

完全脱离模块内置的preprocess_input实现，在Lambda层的函数内部动态创建所有计算常量，从根源上切断对旧图节点的引用。该实现的输出结果和官方preprocess_input完全一致：

import keras
import tensorflow as tf
from keras.layers import Dense, Lambda
from keras import Sequential

def vgg_preprocess(x):
    # 和官方VGG16预处理逻辑完全对齐的caffe模式实现
    # 每次调用时动态在当前图创建常量，无旧图引用
    mean = tf.constant([123.68, 116.779, 103.939], dtype=tf.float32)
    x = x[..., ::-1]  # RGB转BGR通道
    return x - mean

# 第一次建模型
model1 = Sequential([
    Dense(3, activation='linear', input_shape=(3,), name='MYDENSE'),
    Lambda(vgg_preprocess, name='PREPROCESS')
])
model1.summary()

# 显式删除旧对象引用，触发内存回收
del model1, d_l, p_l
# 清理全局会话状态
keras.backend.clear_session()

# 第二次建模型
model2 = Sequential([
    Dense(3, activation='linear', input_shape=(3,), name='MYDENSE'),
    Lambda(vgg_preprocess, name='PREPROCESS')
])
model2.summary()

方案2：保留官方preprocess_input时的适配规则 #

如果一定要使用官方内置的preprocess_input，必须严格遵守两个操作规则，否则依然会触发跨图报错：

• 不要在全局作用域缓存preprocess_input的函数引用，每次创建模型时，即时从vgg16模块获取函数对象
• 调用clear_session()之前，必须显式删除所有旧模型、旧层的Python引用，确保旧图节点能被正常回收

import keras
from keras.layers import Dense, Lambda
from keras import Sequential

# 第一次建模型
preprocess_func = keras.applications.vgg16.preprocess_input
model = Sequential([
    Dense(3, activation='linear', input_shape=(3,), name='MYDENSE'),
    Lambda(preprocess_func, name='PREPROCESS')
])
model.summary()

# 显式删除所有旧对象引用
del model, preprocess_func, d_l, p_l
# 清理会话
keras.backend.clear_session()

# 第二次建模型
preprocess_func = keras.applications.vgg16.preprocess_input
model = Sequential([
    Dense(3, activation='linear', input_shape=(3,), name='MYDENSE'),
    Lambda(preprocess_func, name='PREPROCESS')
])
model.summary()

• keras.backend.clear_session()仅会重置Keras全局状态（默认会话、层命名索引），不会自动回收Python层面持有的旧对象引用，如果存在残留引用，旧计算图的节点依然会驻留内存，随时可能触发跨图报错
• 循环创建模型时，所有层、模型对象都必须定义在循环体内部，不要在循环外提前定义、缓存层对象，避免跨迭代的状态污染
• 不要提前把层对象作为全局变量传入Sequential模型，要在每次创建模型流程中实例化层

内容的提问来源于stack exchange，提问作者volperossa