如果这是一个简单的问题或我做错了什么，请原谅，因为我对Keras/TensorFlow和Python都还不太熟悉。我正在尝试基于迁移学习测试一些不同的图像分类模型。为此，我希望创建一个函数来构建模型，只需指定一些参数，它就能自动生成所需的模型。我已经编写了以下代码：
class modelMaker(tf.keras.Model): def __init__(self, img_height, img_width, trained='None'): super(modelMaker, self).__init__() self.x = tf.keras.Input(shape=(img_height, img_width, 3),name="input_layer") if (trained == 'None'): pass elif (trained == 'ResNet50'): self.x = tf.keras.applications.resnet50.preprocess_input(self.x) IMG_SHAPE = (img_height,img_width) + (3,) base_model = tf.keras.applications.ResNet50(input_shape=IMG_SHAPE, include_top=False, weights='imagenet') base_model.trainable = False for layer in base_model.layers: if isinstance(layer, keras.layers.BatchNormalization): layer.trainable = True else: layer.trainable = False self.x = base_model(self.x) def call(self, inputs): return self.x(inputs)目前我只实现了ResNet50和一个空选项，但我计划添加更多。我尝试使用 self.x = LAYER(self.x)添加层的理由是因为模型可以根据未来的参数具有不同的层数。
然而，当我尝试使用model.summary()获取模型的摘要时，我得到了以下错误：
ValueError: 该模型尚未构建。首先通过调用
build()或使用一些数据调用fit()来构建模型，或者在第一层或多层中指定input_shape参数以自动构建。
这样构建模型是可能的吗？感谢您的帮助
回答：
model.summary()需要一些关于输入形状和模型结构（层）的信息，以便为您打印这些信息。因此，您应该在某个地方将这些信息提供给model对象。
如果您使用顺序模型或函数式API，只需为运行model.summary()指定input_shape参数就足够了。如果您不指定input_shape，那么您可以调用您的模型或使用model.build来提供这些信息。
但是，当您使用子类化（就像您所做的那样）时，除非您调用call()函数（因为您在call函数中定义了层的结构并向其传递输入），否则此类对象没有关于形状和层的任何信息。
有三种方法可以调用call()函数：
model.fit()：在训练时调用- 可能不符合您的需求，因为您必须首先训练您的模型。
model.build()：内部调用- 只需像
model.build((1,128,128,3))一样传递输入的形状
- 只需像
model()：直接调用- 您需要至少传递一个样本（张量），如
model(tf.random.uniform((1,128,128,3))
- 您需要至少传递一个样本（张量），如
修改后的代码应该如下所示：
class modelMaker(tf.keras.Model): def __init__(self, img_height, img_width, num_classes=1, trained='dense'): super(modelMaker, self).__init__() self.trained = trained self.IMG_SHAPE = (img_height,img_width) + (3,) # 定义通用层 self.flat = tf.keras.layers.Flatten(name="flatten") self.classify = tf.keras.layers.Dense(num_classes, name="classify") # 定义当"trained" != "resnet"时的层 if self.trained == "dense": self.dense = tf.keras.layers.Dense(128, name="dense128") # 当"trained" == "resnet"时的层 else: self.pre_resnet = tf.keras.applications.resnet50.preprocess_input self.base_model = tf.keras.applications.ResNet50(input_shape=self.IMG_SHAPE, include_top=False, weights='imagenet') self.base_model.trainable = False for layer in self.base_model.layers: if isinstance(layer, tf.keras.layers.BatchNormalization): layer.trainable = True else: layer.trainable = False def call(self, inputs): # 定义不含ResNet的模型 if self.trained == "dense": x = self.flat(inputs) x = self.dense(x) x = self.classify(x) return x # 定义含ResNet的模型 else: x = self.pre_resnet(inputs) x = self.base_model(x) x = self.flat(x) x = self.classify(x) return x # 添加此函数以获取模型摘要的正确输出 def summary(self): x = tf.keras.Input(shape=self.IMG_SHAPE, name="input_layer") model = tf.keras.Model(inputs=[x], outputs=self.call(x)) return model.summary() model = modelMaker(128, 128, trained="resnet") # 创建对象model.build((10,128,128,3)) # 构建模型model.summary() # 打印摘要输出为：
Model: "model_9"_________________________________________________________________Layer (type) Output Shape Param # =================================================================input_layer (InputLayer) [(None, 128, 128, 3)] 0 _________________________________________________________________tf.__operators__.getitem_6 ( (None, 128, 128, 3) 0 _________________________________________________________________tf.nn.bias_add_6 (TFOpLambda (None, 128, 128, 3) 0 _________________________________________________________________resnet50 (Functional) (None, 4, 4, 2048) 23587712 _________________________________________________________________flatten (Flatten) (None, 32768) 0 _________________________________________________________________classify (Dense) (None, 1) 32769 =================================================================Total params: 23,620,481Trainable params: 32,769Non-trainable params: 23,587,712_________________________________________________________________