TensorFlow.js加载转换模型报错：InputLayer参数缺失问题解决

我正在搭建一个简单Demo，尝试加载通过TensorFlow.js转换得到的JSON及二进制格式模型。模型的Python架构如下：

model = Sequential([
    Flatten(input_shape=(28, 28)),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')
])

在网页中导入模型的代码：

const model = await tf.loadLayersModel('model.json');

收到错误信息：

Error occurred: n: An InputLayer should be passed either a batchInputShape or an inputShape. at new n (

我怀疑是TensorFlow与TensorFlow.js的兼容性问题，转换后的JSON文件缺失部分参数。请问有哪些解决办法？该如何修复此问题？

已尝试的操作：

• 尝试在JSON文件中手动添加input_shape（不确定操作是否正确）
• 尝试在模型架构中显式声明Input层

方法1：重新转换模型时固化输入形状（推荐） #

问题根源是原Keras模型的Flatten层虽指定了input_shape，但转换时未正确将完整输入信息写入JSON。重新转换前需让Keras明确输入的batch维度：

1. 在Python中初始化模型后，调用一次预测操作固化输入信息：

   import tensorflow as tf
   from tensorflow.keras.models import Sequential
   from tensorflow.keras.layers import Flatten, Dense
   
   model = Sequential([
       Flatten(input_shape=(28, 28)),
       Dense(128, activation='relu'),
       Dense(10, activation='softmax')
   ])
   # 可选：编译模型（无需训练可跳过）
   model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
   # 关键：用符合输入形状的张量调用模型，让Keras记录完整输入参数
   dummy_input = tf.random.normal((1, 28, 28))
   model.predict(dummy_input)
   # 保存为HDF5格式
   model.save('my_model.h5')
   

2. 使用tensorflowjs_converter工具转换模型：

   tensorflowjs_converter --input_format=keras my_model.h5 ./tfjs_model
   

   转换后的model.json会包含完整的batchInputShape参数，此时重新加载即可正常运行。

方法2：手动修改model.json文件 #

若无法重新转换模型，可直接修改生成的model.json：

1. 打开model.json，找到第一个Flatten层的配置项。
2. 在该层的config字段中添加batchInputShape: [null, 28, 28]（null表示兼容任意batch大小），示例如下：

   {
     "class_name": "Flatten",
     "config": {
       "batchInputShape": [null, 28, 28],
       "data_format": "channels_last",
       "input_shape": [28, 28]
     },
     "name": "flatten",
     "inbound_nodes": []
   }
   

3. 保存修改后的文件，重新加载模型即可。

方法3：在TensorFlow.js中重新构建模型并加载权重 #

如果以上方法无效，可直接在前端重新定义模型架构，再加载原有权重：

// 1. 加载权重文件
const weightManifestUrl = 'model.json';
const weights = await tf.loadWeights(weightManifestUrl);

// 2. 重新构建模型架构
const model = tf.sequential();
model.add(tf.layers.flatten({inputShape: [28, 28]}));
model.add(tf.layers.dense({units: 128, activation: 'relu'}));
model.add(tf.layers.dense({units: 10, activation: 'softmax'}));

// 3. 将权重加载到新模型
model.setWeights(weights);

内容的提问来源于stack exchange，提问作者amm4r