用 tf.keras.Model 截断模型应指定 outputs 为中间层张量，优先通过层名（如 "conv5_block3_out"）而非索引定位；多输出需传 tensor 列表；冻结原模型所有层（含 BN）并设 training=False 才能稳定推理；保存推荐分开存结构与权重。
用 tf.keras.Model 截断原模型，指定 outputs 为中间层张量
TF 2.x 的 Keras 模型本质是可调用的计算图，只要知道目标层名或索引，就能把它设为新模型的输出。不需重写、不需 hack call() 方法，直接构造子模型最稳。
常见错误是试图用 model.layers[i] 取出层再单独 call——这会丢失权重绑定和训练状态（比如 BatchNorm 的 running stats），特征输出可能错乱。
- 先确认中间层名：
print([l.name for l in model.layers])，注意有些预训练模型（如 ResNet）会在主干后加global_average_pooling2d或flatten，别误截到后面 - 推荐用层名而非索引定位，因为不同 TF 版本/加载方式下层序可能变；例如提取 ResNet50 的
conv5_block3_out（C5 输出）比数第 172 层可靠 - 构建时保持输入一致：
feature_extractor = tf.keras.Model(inputs=model.input, outputs=model.get_layer("layer_name").output)
处理多输出模型（如 EfficientDet、YOLOv5-TF）要小心 outputs 类型
不是所有预训练模型都只有一条前向路径。像带 FPN 的检测模型，model.output 是 list 或 dict，直接传给新 Model 会报 TypeError: Output tensors to a Model must be the output of a TensorFlow Layer。
此时不能写 outputs=model.get_layer("fpn_stage2").output 就完事——那只是单个 tensor，而原模型可能依赖多尺度输出协同计算。
立即学习“Python免费学习笔记（深入）”；
- 若只需某一层输出，仍可用单 tensor 构建，但得确保该层不依赖其他分支的中间结果（查模型源码或
model.summary()看依赖关系） - 若需多个中间层（如 FPN 的 P3/P4/P5），必须显式传
list：outputs=[model.get_layer("fpn_p3").output, model.get_layer("fpn_p4").output] - 注意输出 tensor 的 batch 维是否对齐：某些自定义层可能漏掉
tf.expand_dims，导致 shape 不匹配，运行时报Incompatible shapes
trainable=False 要设在截断前，否则 BN 层会持续更新统计量
特征提取器默认应冻结权重。但仅对新 Model 设 trainable=False 不够——原模型里 BatchNormalization 层的 training 参数仍可能被设为 True，导致推理时用当前 batch 的均值方差，而非训练好的 running stats。
典型现象：同一张图多次 feed 进去，输出特征向量每次都不一样。
- 务必在构建特征提取器前，遍历原模型所有层设
layer.trainable = False，尤其关注tf.keras.layers.BatchNormalization和tf.keras.layers.Dropout - BN 层冻结后，其
call(x, training=False)才会使用moving_mean/moving_variance；否则即使model.trainable=False，BN 内部仍可能处于 training 模式 - 验证方法：用固定输入跑两次
feature_extractor(x)，打印输出tf.reduce_sum，应完全一致
保存与复用时，避免用 model.save() 直接存截断模型
TF 的 model.save() 默认保存完整计算图结构 + 权重，但中间层名可能含动态生成字符串（如 "block1_conv1_2"），跨环境加载时报 ValueError: Unable to restore custom object。
更稳妥的方式是分开保存：权重用 model.save_weights()，结构靠代码重建。
- 保存时：
feature_extractor.save_weights("feature_extractor_weights.h5") - 加载时：先按同样逻辑重建
feature_extractor结构（即重新跑一遍截断逻辑），再load_weights() - 如果必须用 SavedModel 格式，确保所有层名是静态字符串（检查是否用了
name=f"conv_{i}"这类 f-string）；否则改用tf.keras.models.load_model(..., compile=False)加载后再手动设输出
真正麻烦的不是截断本身，而是 BN 层的 training 模式切换和跨版本层名兼容性——这两点不验，模型上线后容易静默出错。
