model.summary() 报 AttributeError 是因模型非 Keras Model 实例；需先 type(model) 确认类型，PyTorch 用 print(model) 或 torchinfo，HF 模型查 config 或 num_parameters()，自定义类应遍历 layers。
model.summary() 报 AttributeError：'Model' object has no attribute 'summary'
这是最常见的一击即溃——你以为模型有 summary()，其实它根本不是 Keras 的 tf.keras.Model 或 keras.Model 实例。比如你用 PyTorch 加载了模型，或者用 tf.keras.Sequential 以外的方式构建（如纯函数式 API 但没显式封装），又或者用的是 Hugging Face 的 PreTrainedModel，它们全都没有 summary() 方法。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 先确认类型：
type(model)—— 输出是<class></class>或<class></class>才能放心调用 - PyTorch 模型用
print(model)或torchinfo.summary(model, input_size=...)替代 - Hugging Face 模型看
model.config，或用model.num_parameters()+ 手动遍历model.named_parameters() - 自定义类没继承
tf.keras.Model？那就别硬调summary()，改用model.layers循环打印
调用 model.summary() 时卡住、无输出或报 ValueError：Input 0 is incompatible with layer
本质是模型还没“见过输入形状”，Keras 需要推断每层的 output shape 才能打印结构。如果模型是函数式构建、或含动态 shape（如带 None 的 batch 维），而你又没预先 call 过一次，summary() 就会懵。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 在调用前强制 build：
model.build(input_shape=(None, 224, 224, 3))（注意 batch 维用None） - 更稳妥的做法是先喂一个 dummy 输入：
model(tf.random.normal((1, 224, 224, 3)))，再调summary() - 避免用
model.summary(print_fn=lambda x: print(x))调试——它不解决 shape 推断问题，只改输出方式 - 若模型含自定义层且没实现
compute_output_shape，summary 可能失败；此时优先检查该层的call()是否依赖未声明的 shape 逻辑
summary() 输出太简略，看不到参数量或某层具体权重形状
默认 model.summary() 只显示每层名称、output shape 和参数数量（Total params），但不会展开 Conv2D 的 kernel size、BatchNorm 的 gamma/beta 是否可训练，也不会告诉你 Embedding 层的 vocab size × embedding_dim 是怎么算出来的。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 加参数
expand_nested=True（适用于含子模型的结构，如tf.keras.Sequential嵌套在函数式模型里） - 用
model.count_params()单独获取总参数量，比 summary 里的数字更可靠（避免 summary 因未 build 导致计数为 0） - 想看某一层的权重细节？直接查：
model.layers[2].get_weights()[0].shape（假设第 3 层是 Dense），或model.layers[2].trainable_weights - 需要完整参数清单？循环
model.variables，过滤trainable=True，再打印.name和.shape
TensorFlow 2.x + eager mode 下 summary() 不显示 GPU 设备信息
这不是 bug，是设计如此。summary() 只负责结构和参数，不反映运行时设备分配。即使模型已 .cuda() 或 tf.device('/GPU:0')，summary 输出也看不出哪层在 GPU 上。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 验证设备绑定：用
model.variables[0].device查第一个变量所在设备 - 想确认是否真在 GPU 运行？加一行
print([v.device for v in model.variables[:3]]) - summary 输出里 “None” 在 shape 中不代表设备未指定，而是 batch 维动态；别把它和设备混为一谈
- 真要可视化设备布局？得用
tf.summary.trace_export+ TensorBoard，不是summary()的活
