用tf.keras.Model构建特征提取模型最直接：以原模型input为输入、指定层output为输出新建模型；须确保目标层已存在于前向路径，优先用层名定位；BN/DP层需显式传training参数；调试可用backend.function；避免在dataset.map中直接调用。
用 tf.keras.Model 构建特征提取模型最直接
TensorFlow 2.x 不再推荐用 sess.run() 或手动取 layer.output，而是把中间层输出包装成一个新模型。核心思路是：指定输入和某一层的输出，构造一个子模型。
常见错误是直接对原模型调用 model.layers[i].output 后试图 tf.keras.Model(inputs=..., outputs=...)，但没确保该层已被实际调用过（尤其带 if training: 分支的层，如 Dropout、BatchNormalization），会导致图构建失败或输出 shape 不对。
- 必须用原模型的
input（不是tf.keras.Input新建）作为新模型输入，否则张量来源不一致 - 目标层必须已出现在原模型前向传播路径中；若想取第 5 层输出，但原模型只有 4 层，会报
AttributeError: 'NoneType' object has no attribute 'output' - 如果原模型含自定义层或动态控制流（如
tf.cond），建议先用model.summary()确认层名和索引，优先用层名而非序号定位
示例：
feature_model = tf.keras.Model(
inputs=model.input,
outputs=model.get_layer('block3_conv2').output # 推荐用 layer name
)处理 BatchNormalization 和 Dropout 的训练/推理模式
中间层含 BatchNormalization 或 Dropout 时，输出值在 training=True 和 training=False 下差异极大。默认 feature_model(x) 走 training=False，但如果你在训练阶段提取特征（比如做 online hard example mining），必须显式传参。
立即学习“Python免费学习笔记（深入）”；
-
feature_model(x, training=True)才能触发 BN 的 batch stats 更新和 Dropout 随机置零 - 若漏掉
training参数，BN 层会使用移动均值/方差，Dropout 直接跳过——这在 fine-tuning 场景下极易导致特征分布偏移 - 验证/推理阶段通常固定为
training=False，但需确认原模型是否在call()中硬编码了training值
用 tf.keras.backend.function 快速调试中间输出
当只需要临时看某层输出、不想重构模型时，tf.keras.backend.function 是轻量替代方案，适合 debug 或 notebook 快速验证。
它本质是封装了一个计算图函数，输入是张量列表，输出也是张量列表。注意：它不支持 eager mode 下的 Python 控制流，且返回的是 numpy 数组（非 tensor）。
- 第一个参数是输入张量列表，常用
[model.input] - 第二个参数是输出张量列表，如
[model.layers[4].output]，但必须确保该层有.output属性（即已 build） - 若报错
RuntimeError: Graph is finalized and cannot be modified，说明模型已在 eager 模式下运行过，此时应改用tf.function包装或切换回 graph mode
示例：
get_feature = tf.keras.backend.function(
[model.input],
[model.get_layer('global_average_pooling2d').output]
)
features = get_feature([x_batch]) # 返回 list，取 [0] 即可避免在 tf.data.Dataset pipeline 中直接调用中间模型
把 feature_model 直接塞进 dataset.map() 会出问题：Keras 模型不是纯函数，其内部状态（如 BN 的 moving_mean）在 map 中无法正确追踪，且 eager mode 下可能触发重复 build。
- 正确做法是先用
feature_model.predict()批量提取特征，再构建新 dataset；或把特征提取逻辑写成纯tf.function并确保所有操作可 trace - 若坚持在
map中用，必须用@tf.function包裹，并确认所有层都支持 trace（例如避免用np.random或未注册的自定义 op） - 性能上，
predict()自动批处理 + GPU 加速，比逐样本map快 3–5 倍，尤其对小 batch
容易被忽略的是：特征维度是否与后续 loss 或 metric 兼容。比如从 CNN 提取的 (None, 7, 7, 512) 特征，若下游要接 Dense，得先 Flatten 或 GlobalAveragePooling2D —— 这类 shape 变换最好在特征模型里就固化，别留到训练 loop 里做。
