Keras的trainable属性与TensorFlow不兼容？属性被忽略问题咨询

我之前也踩过这个坑！核心原因是当你直接单独使用Keras层、没有把它包裹在完整的Keras Model中时，TensorFlow的梯度追踪系统不会正确识别Keras层的trainable属性设置，导致你明明把层设为不可训练，参数还是会被更新。

问题分析 #

你给出的示例代码里，虽然设置了Conv2.trainable = False，但因为没有将这个层和Input层封装成Keras Model，TensorFlow的底层机制不会主动读取这个标记，依然会把该层的参数纳入梯度计算范围。

两种解决方案 #

方案1：手动冻结层的变量（适合混用Keras层和TensorFlow原生操作）

如果一定要单独使用Keras层，需要先让层初始化变量，再手动把变量设为不可训练：

import keras
import tensorflow as tf
import numpy as np
import keras.backend as K

Conv2 = keras.layers.Conv2D(filters=16, kernel_size=3, padding='same')
# 先通过一次前向传播让层初始化变量
dummy_input = tf.random.normal((1, 16, 16, 3))
_ = Conv2(dummy_input)
# 手动将该层所有变量设为不可训练
for var in Conv2.trainable_variables:
    var.trainable = False

A = keras.layers.Input(batch_shape=(1, 16, 16, 3))
B = Conv2(A)
# 后续定义损失和优化器后，梯度不会更新Conv2的参数

方案2：用Keras Model封装（更规范的做法）

Keras的trainable属性是和Model绑定设计的，把层封装成完整Model后，标记会被正确识别：

import keras
import tensorflow as tf
import numpy as np
import keras.backend as K

# 构建完整的Keras模型
inputs = keras.layers.Input(batch_shape=(1, 16, 16, 3))
conv2 = keras.layers.Conv2D(filters=16, kernel_size=3, padding='same')
conv2.trainable = False  # 这里的设置会被Model正确处理
outputs = conv2(inputs)
model = keras.Model(inputs=inputs, outputs=outputs)

# 验证：打印可训练参数数量，应该输出0
print("可训练参数数量:", len(model.trainable_variables))

补充说明 #

Keras作为TensorFlow的高层API，很多属性（包括trainable）都是在Model层面进行管理的。单独使用层时，TensorFlow只会把它当作普通的带变量的运算节点，不会主动读取Keras层的额外标记，所以必须通过上述两种方式来确保参数被正确冻结。

内容的提问来源于stack exchange，提问作者DDz