直接用tf.keras.Model构建特征提取器最稳，需指定输入和中间层输出张量、设include_top=False、用对应preprocess_input归一化、调用时注意batch_size与显存，并用.numpy()转为NumPy数组断开计算图。
直接用 tf.keras.Model 构建特征提取器，别碰 sess.run 或旧版 tf.Graph
TensorFlow 2.x 默认启用 eager mode，硬切图、手动管理 session 会出错或返回空张量。最稳的方式是把预训练模型当函数用：指定输入层和某中间层输出，封装成新 tf.keras.Model。
比如你想从 ResNet50 的 conv4_block1_1_relu 提取特征：
from tensorflow.keras.applications import ResNet50 from tensorflow.keras import Model <p>base_model = ResNet50(weights='imagenet', include_top=False) layer_name = 'conv4_block1_1_relu' feature_extractor = Model(inputs=base_model.input, outputs=base_model.get_layer(layer_name).output)
之后直接调用：features = feature_extractor(image_batch) —— 返回的就是该层输出张量。
- 必须设
include_top=False，否则最后的全局池化层会干扰中间层定位 -
get_layer()接受层名（字符串）或索引（整数），但名字更可靠；可用base_model.summary()查看所有层名 - 如果提示
Layer not found，说明名字写错了，注意大小写和下划线，比如block1_conv1和conv1是不同层
输入预处理必须和原模型一致，tf.keras.applications.preprocess_input 不能省
不同模型对输入归一化方式不同：ResNet50 减均值（BGR顺序），VGG16 同样减均值但通道顺序是RGB，MobileNet 则是缩放到 [-1, 1]。直接送 [0, 1] 归一化的图像进去，特征完全失真。
立即学习“Python免费学习笔记（深入）”；
正确做法是查文档确认对应预处理函数，并严格按要求传参：
from tensorflow.keras.applications.resnet50 import preprocess_input import numpy as np <h1>image_batch shape: (N, 224, 224, 3), dtype=float32, range [0, 1]</h1><p>image_batch = np.random.rand(1, 224, 224, 3) image_batch = preprocess_input(image_batch * 255.0) # 注意：preprocess_input 默认接收 [0, 255] 范围
-
preprocess_input不接受torch.Tensor或 PIL Image，只认numpy.ndarray - 若你用
tf.data.Dataset流水线，应在map()中调用它，别在模型里硬编码 - 误用
tf.image.per_image_standardization会导致数值分布偏移，特征聚类效果变差
批量推理时注意 batch_size 和内存，别让 feature_extractor 吃光显存
中间层输出维度可能很大，比如 ResNet50 在 conv4_block1_1_relu 输出是 (N, 14, 14, 1024)，单 batch=32 就占约 1.8GB 显存（float32）。OOM 往往不是代码错，而是 batch 太大。
- 先试
batch_size=1确保流程通，再逐步放大 - 用
tf.config.experimental.set_memory_growth(gpu, True)防止 TensorFlow 预占全部显存 - 如只需单张图特征，别用
predict()，直接 call 模型：feature_extractor(img[None, ...])更轻量 - 导出为 SavedModel 后部署时，
signatures必须明确声明输入 shape，否则 TF Serving 可能拒绝请求
导出中间层特征到 NumPy 时，记得 .numpy() 再 detach，别留梯度链
如果你后续要用这些特征做聚类、降维或训练下游模型，务必断开计算图。否则即使没 trainable=True，tf.GradientTape 仍可能追踪到上游权重，引发意外内存泄漏或报错。
安全写法：
features = feature_extractor(image_batch) features_np = features.numpy() # ✅ 正确：转为纯 NumPy 数组 # features.detach().numpy() ❌ 错误：TensorFlow 没 detach 方法
-
.numpy()只能在 eager mode 下用；若在@tf.function内，需先tf.print()或用tf.py_function包裹 - 如果特征要存硬盘，优先用
np.save()而非 pickle，避免 TensorFlow 对象序列化兼容性问题 - 多卡训练时，
strategy.run()返回的是PerReplica对象，得先strategy.experimental_local_results()再 .numpy()
中间层名查不准、预处理不匹配、batch_size 盲目调大——这三处出错频率最高，其他都是细节微调。
