如何在Keras ResNet50后正确添加Dense层？解决张量输入报错问题

报错触发的核心原因 #

TypeError: Inputs to a layer should be tensors的问题本质是你把ResNet50的模型实例对象当成特征张量传给了Dense层，不符合Keras层的输入类型要求。
逐行对应你的代码逻辑就能定位问题：

• 你写的x = tf.keras.applications.ResNet50(...)这行，变量x存的并不是网络输出的特征张量，而是完整的ResNet50模型对象，属于Functional类型的模型实例
• Keras中所有层在调用执行计算时，只接受Tensor类型的输入，传入模型对象会直接触发类型校验报错
• 你配置的include_top=False+pooling='avg'只是设定了ResNet50的输出形式，并没有完成“把实际输入张量送入主干网络、拿到输出特征”的步骤，不能直接把整个ResNet50模型当作张量使用

可正常运行的实现代码 #

按照Keras Functional API的标准搭建逻辑修改即可，核心是显式拿到主干网络输出的特征张量，再接入Dense层：

import tensorflow as tf

# 提前定义图像尺寸常量
IMG_WIDTH = 224
IMG_HEIGHT = 224

def build_model():
    # 1. 定义模型的正式输入张量
    inputs = tf.keras.Input(shape=(IMG_WIDTH, IMG_HEIGHT, 3))
    # 2. 实例化ResNet50主干网络
    backbone = tf.keras.applications.ResNet50(
        input_shape=(IMG_WIDTH, IMG_HEIGHT, 3),
        weights=None,
        include_top=False,
        pooling='avg'
    )
    # 3. 把输入张量传入主干，拿到真正的输出特征张量
    feat = backbone(inputs)
    # 4. 将特征张量传入Dense层
    outputs = tf.keras.layers.Dense(196)(feat)
    # 5. 绑定输入输出关系，生成完整可运行的模型
    model = tf.keras.Model(inputs=inputs, outputs=outputs)
    model.summary()
    return model

常见踩坑提醒 #

• 不要把模型实例和张量输出混为一谈：哪怕给ResNet50指定了input_shape，实例化得到的也是一个独立的网络模块，不是可以直接被下游层调用的张量
• 如果需要给主干网络加冻结、训练层筛选等自定义逻辑，当前的Functional写法灵活性最高，后续调整主干结构、添加多输出分支都不需要大改代码
• 如果不需要复杂的分支结构，也可以用更短的Sequential写法实现相同效果：

  model = tf.keras.Sequential([
      tf.keras.applications.ResNet50(
          input_shape=(IMG_WIDTH, IMG_HEIGHT, 3),
          weights=None,
          include_top=False,
          pooling='avg'
      ),
      tf.keras.layers.Dense(196)
  ])
  model.summary()
  

  但这种写法不支持多输入、多输出、层间跳连等自定义结构，灵活性弱于Functional API

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