我发现了一些变通方法，可以使用模型子类化API进行绘图。由于明显的原因，子类API不支持顺序或函数API，如model.summary()和使用plot_model的良好可视化。在这里，我将展示两者。

class my_model(keras.Model):
    def __init__(self, dim):
        super(my_model, self).__init__()
        self.Base  = keras.keras.applications.VGG16(
            input_shape=(dim), 
            include_top = False, 
            weights = 'imagenet'
        )
        self.GAP   = L.GlobalAveragePooling2D()
        self.BAT   = L.BatchNormalization()
        self.DROP  = L.Dropout(rate=0.1)
        self.DENS  = L.Dense(256, activation='relu', name = 'dense_A')
        self.OUT   = L.Dense(1, activation='sigmoid')
    
    def call(self, inputs):
        x  = self.Base(inputs)
        g  = self.GAP(x)
        b  = self.BAT(g)
        d  = self.DROP(b)
        d  = self.DENS(d)
        return self.OUT(d)
    
    # AFAIK: The most convenient method to print model.summary() 
    # similar to the sequential or functional API like.
    def build_graph(self):
        x = Input(shape=(dim))
        return Model(inputs=[x], outputs=self.call(x))

dim = (124,124,3)
model = my_model((dim))
model.build((None, *dim))
model.build_graph().summary()

它将产生如下内容：

Layer (type)                 Output Shape              Param #   
=================================================================
input_67 (InputLayer)        [(None, 124, 124, 3)]     0         
_________________________________________________________________
vgg16 (Functional)           (None, 3, 3, 512)         14714688  
_________________________________________________________________
global_average_pooling2d_32  (None, 512)               0         
_________________________________________________________________
batch_normalization_7 (Batch (None, 512)               2048      
_________________________________________________________________
dropout_5 (Dropout)          (None, 512)               0         
_________________________________________________________________
dense_A (Dense)              (None, 256)               402192    
_________________________________________________________________
dense_7 (Dense)              (None, 1)                 785       
=================================================================
Total params: 14,848,321
Trainable params: 14,847,297
Non-trainable params: 1,024

现在，通过使用build_graph函数，我们可以简单地绘制整个架构。

# Just showing all possible argument for newcomer.  
tf.keras.utils.plot_model(
    model.build_graph(),                      # here is the trick (for now)
    to_file='model.png', dpi=96,              # saving  
    show_shapes=True, show_layer_names=True,  # show shapes and layer name
    expand_nested=False                       # will show nested block
)

它将产生如下内容：- ）

类似QnA：

1. Retrieving Keras Layer Properties from a tf.keras.Model
2. Visualize nested keras.Model (SubClassed API) GAN model

另一个解决方法：使用tf2onnx将savemodel格式模型转换为onnx，然后使用netron查看模型架构。
下面是netron中模型的一部分：

更新（2021年1月4日）：这似乎是可能的;见@M.Innat的answer。

这是不可能做到的，因为基本上模型子类化，因为它是在TensorFlow中实现的，与使用Functional/Sequential API（在TF术语中称为Graph networks）创建的模型相比，在特性和功能方面受到限制。如果检查plot_model源代码，您将在model_to_dot函数（由plot_model调用）中看到以下检查：

if not model._is_graph_network:
  node = pydot.Node(str(id(model)), label=model.name)
  dot.add_node(node)
  return dot

正如我提到的，子类模型不是图网络，因此只有包含模型名称的节点才会为这些模型绘制（即你看到的一样）。
这已经在Github issue中讨论过了，TensorFlow的一位开发人员通过给出以下参数证实了这种行为：
@omalleyt12评论：
是的，一般来说，我们不能假设任何关于子类模型的结构。如果你的模型可以被看作是层的块，并且你希望像这样可视化它，我们建议你查看Functional API

我创建了一个github仓库来演示我的解决方案：https://github.com/Meidozuki/light-keras-plot
同样的问题我遇到过好几次。首先，我也使用Model(inputs=[x], outputs=self.call(x))。但随着时间的推移，每次我想绘制一个新的模型，我需要改变输入的形状，所以我找到了一种方法来自动捕捉输入的形状。
我让它只显示一次。
使用方式

@plotable()
def build(self,input_shape):
    super().build(input_shape)

何处

def plotable(silent=False):
    '''
    Used on model.build to call tf.keras.utils.plot_model
    '''
    
    def decorate(func):
        @wraps(func)
        def wrapper(self,input_shape):
            result=func(self,input_shape)

            if not silent:
                from tensorflow.keras import layers
                from IPython.display import display
                if isinstance(input_shape,(tuple,tf.TensorShape)):
                    inputs=layers.Input(input_shape[1:])
                elif isinstance(input_shape,list):
                    inputs=[layers.Input(s[1:]) for s in input_shape]
                else:
                    raise AssertionError

                outputs=self.call(inputs)
                model=tf.keras.Model(inputs=inputs,outputs=outputs)
                display(tf.keras.utils.plot_model(model,show_shapes=True))
            return result
        return wrapper
    return decorate