trainable属性是梯度传播闸门而非开关，须在compile前设置；否则冻结失效、显存暴涨、loss异常；hub.KerasLayer不支持切片解冻；整数标签需配sparse_categorical_crossentropy。

trainable 属性不是开关，而是梯度传播的闸门——设为 False 后，该层参数在反向传播中不会接收梯度，但前向计算照常进行。

冻结某几层时，trainable 必须在 compile 前设置

TensorFlow 会在 model.compile() 时静态构建计算图。如果先 compile 再改 layer.trainable = False，模型仍会为这些层分配可训练变量，优化器也会尝试更新它们——结果是冻结失效，训练时显存暴涨、loss 不降反升。

• 正确顺序：加载模型 → 修改 layer.trainable → model.compile()
• 常见错误：在 fit() 过程中动态切换 trainable，这不会重置已编译的梯度路径
• 验证是否生效：训练前打印 model.trainable_weights，只应包含你期望更新的层（如新加的 Dense 层）

用 base_model.layers[-4:] 解冻时，注意 KerasLayer 和 Sequential 的差异

从 tf.keras.applications 加载的模型（如 ResNet50）支持直接索引 layers；但用 hub.KerasLayer 加载的 TF Hub 模型是原子化封装，layers 属性为空，无法用切片解冻。

macOS UI 自动化技能包 —— 用 Python 控制你的 Mac

让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限

下载

• 对 tf.keras.applications 模型：可用 for layer in base_model.layers[-4:]: layer.trainable = True
• 对 hub.KerasLayer：只能整体设 trainable=True，或换用 tf.keras.applications 版本
• 混合结构（如 Sequential 包裹 KerasLayer）：需逐层检查 type(layer)，避免对 KerasLayer 调用 layers

冻结后仍报 “No gradients provided” 错误，大概率是 loss 或 label 形状不匹配

冻结本身不会导致梯度消失，但若新分类头输出维度与 label 维度不一致（比如 Dense(3) 却喂入 shape=(N, 1) 的整数标签），categorical_crossentropy 会静默返回 0 梯度，而 sparse_categorical_crossentropy 才适配整数标签。

• 检查 label：用 np.unique(y_train) 确认类别数，再匹配 Dense 输出单元数
• 检查 loss：整数标签 → sparse_categorical_crossentropy；one-hot 标签 → categorical_crossentropy
• 冻结后第一次 fit 前，建议加 model.test_on_batch(x_sample, y_sample) 快速验证梯度通路

真正容易被忽略的点是：冻结操作不可逆地影响变量命名空间。一旦设过 trainable=False，即使后续设回 True，该层权重也不会自动加入 model.trainable_weights 列表——必须重新 compile 才能刷新。

Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！