Grad_Cam运行报错：ValueError: Unable to determine penultimate `Conv` or `Pooling` layer for layer_idx: 2
之前一直想可视化模型的注意力热力图，找到了gradcam算法，具体是调用keras-vis的库。但是一直调试一直报错很苦恼，前前后后搞了一个月才成功跑通，于是今天准备写个博客记录一下心路历程，也方便后来者参考，不必再浪费太多时间在debug上
问题描述：
在用预训练模型VGG16做base_model并finetune时，报如下错误：
ValueError: Unable to determine penultimate Conv or Pooling layer for layer_idx: 2
但是如果是自己定义的模型就可以正常输出。
看起来应该是一个找不到对应layer的错误。于是很自然地我就查看了model的summary：
Model: "sequential_1"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
vgg16 (Model) (None, 7, 7, 512) 14714688
_________________________________________________________________
flatten_1 (Flatten) (None, 25088) 0
_________________________________________________________________
visualized_layer (Dense) (None, 1) 25089
=================================================================
Total params: 14,739,777
Trainable params: 25,089
Non-trainable params: 14,714,688
_________________________________________________________________
很显然，问题出在那个‘vgg16’上。我用的是操作更为简洁的Sequential搭建序列，模型设置如下：
base_model = VGG16(weights='imagenet',include_top=False,input_shape=IMG_SIZE+(3,))
base_model.trainable=False
NUM_CLASSES = 1
model = Sequential()
model.add(base_model)
model.add(layers.Flatten())
model.add(layers.Dense(NUM_CLASSES,activation='sigmoid',name='visualized_layer'))
之后DEBUG时发现我的代码在调用grad_cam时输入的layer_Idx是2（对应visualized_layer），然而在真实模型结构中很显然这层的索引绝对不止2，因此问题就出在Sequential对base_model的模型表述方式上。很显然这里Sequential把base_model看作一个不可拆分的整体，因此grad_cam也无法得到模型每一层输出的具体张量了（猜测）。
之后尝试过手动指定layer_Idx（也就是百度vgg16的网络结构，数一数有几层，然后手动输入Dense层的索引），但都已失败告终。
解决方式是：
使用keras.models.Model()来函数式定义网络结构。
这能够允许grad_cam算法获得打包好的预训练模型内部layers的信息。而这些信息是gradcam算法运行所需要的。
这可能相比于简介的Sequential显得有些复杂，但说他能够更全面的定义整个网络结构，也更具有可操作性。修改后的代码如下：
base_model = VGG16(weights='imagenet',include_top=False,input_shape=IMG_SIZE+(3,))
mid_layer=layers.Flatten()
mid_layer_tensor=mid_layer(base_model.output)
output_layer=layers.Dense(2,activation='softmax',name='visualized_layer')
output_layer_tensor=output_layer(mid_layer_tensor)
model = Model(inputs=base_model.input,outputs=output_layer_tensor)
for layer in model.layers:
layer.trainable = False
model.layers[-1].trainable = True
model.layers[-2].trainable = True
注意：使用Model（）后要手动设置for循环来指定冻结层（也就是有预训练权重的层）。要不然会默认全部训练。
作者：Bunny_COM
