必须用hub.KerasLayer或hub.load()加载TF Hub模型，不可用tf.keras.models.load_model()；hub.KerasLayer需指定带版本号的URL、input_shape和trainable参数，并严格匹配输入格式与预处理逻辑。
直接用 tf.keras.layers.Dense 接在 hub.KerasLayer 后面即可微调，但必须设 trainable=True 且调用 model.trainable_weights 确认参数真被纳入训练 —— 否则模型冻结了，你还在喂数据。
加载 TF Hub 模型时如何避免 shape 不匹配报错
常见错误是 ValueError: Input 0 of layer ... is incompatible with the layer，本质是输入张量 shape 和模型期望不一致。TF Hub 中的图像模型（如 https://tfhub.dev/google/imagenet/mobilenet_v2_100_224/feature_vector/5）默认要求 (None, 224, 224, 3) 输入；文本模型（如 https://tfhub.dev/google/universal-sentence-encoder/4）则接受 (None,) 的字符串张量。
- 图像模型务必用
tf.keras.applications.mobilenet_v2.preprocess_input或手动归一化到[0, 1]或[-1, 1]（查模型文档确认） - 文本模型需用
tf.strings.unicode_split或tf.keras.preprocessing.text.Tokenizer前处理？不用 —— TF Hub 的 USE 等模型内部已封装，直接传tf.constant(['hello', 'world'])即可 - 若自定义输入 pipeline，务必在
tf.data.Dataset.map()中显式设置output_shapes，否则hub.KerasLayer初始化时可能推断失败
冻结/解冻特征提取层的正确写法
很多人以为设 hub.KerasLayer(trainable=False) 就完事，其实这只是让该层不参与反向传播，但它的权重仍可能被 optimizer 更新（尤其用了 tf.keras.optimizers.legacy 或旧版 Keras）。真正可控的方式是：
- 创建模型后，先设
feature_extractor_layer.trainable = False，再调用model.compile() - 之后想微调，必须重新设
feature_extractor_layer.trainable = True，再调用model.compile()（否则 optimizer 不会把新 trainable 权重加入trainable_variables） - 验证是否生效：打印
len(model.trainable_weights)，解冻前后应明显增加；也可检查model.trainable_variables[0].name是否含 hub 层名
为什么 hub.load() 不能直接替代 hub.KerasLayer 做迁移学习
hub.load() 返回的是原始 SavedModel 对象，它没有 Keras 的训练生命周期管理能力。你无法把它当 Layer 塞进 Sequential，也不能用 model.fit() 自动处理梯度更新。
立即学习“Python免费学习笔记（深入）”；
- 用
hub.load()只能手写训练循环：with tf.GradientTape() as tape: y = model(x); loss = ...; grads = tape.gradient(loss, model.trainable_variables) - 而
hub.KerasLayer是tf.keras.layers.Layer子类，支持call()、build()、自动跟踪变量，和fit()/evaluate()完全兼容 - 若模型带预处理（如 BERT 的 tokenizer），
hub.KerasLayer通常不包含 —— 得额外加tf.keras.layers.TextVectorization或用tensorflow-text配合，不能指望它“一键搞定”
最易忽略的一点：TF Hub 模型的输出维度必须和你后续 Dense 层对齐。比如 mobilenet_v2_100_224/feature_vector 输出是 1280 维，若你写 Dense(10, activation='softmax') 没问题；但若误用 classification 版本（输出已带 softmax 和 ImageNet 1000 类），再接 Dense 就会出错 —— 查模型页面的 “Signature” 栏，盯紧 default 和 image_feature_vector 这类 key。
