TensorFlow 2.17.0加载ResNet50预训练权重报错Size must be positive的解决方法

问题描述 #

在TensorFlow 2.17.0环境中运行以下代码时触发ValueError: Size must be positive错误，该代码在TensorFlow 2.18.0中可正常执行：

from tensorflow.keras.applications.resnet50 import ResNet50

base_model = ResNet50(
    input_shape=(224, 224, 3),
    include_top=False,
    weights='imagenet'
)

错误根源是h5py库与TensorFlow 2.17.0的兼容性问题，导致预训练权重文件解析失败。

解决方案 #

方案1：手动下载预训练权重并本地加载 #

1. 获取ResNet50的ImageNet预训练权重文件（无顶层全连接层版本，文件名通常为resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5）
2. 将文件保存到本地路径，修改代码指定权重路径：

from tensorflow.keras.applications.resnet50 import ResNet50

base_model = ResNet50(
    input_shape=(224, 224, 3),
    include_top=False,
    weights='/your/local/path/resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5'
)

方案2：降级h5py版本适配TensorFlow 2.17.0 #

执行以下命令降级h5py至与TF2.17兼容的版本：

pip install h5py==3.10.0 --force-reinstall

完成后重新运行原代码即可尝试加载预训练权重。

方案3：改用TensorFlow Hub加载ResNet50 #

通过TensorFlow Hub加载预训练模型，绕开Keras内置权重加载的兼容性问题：

import tensorflow as tf
import tensorflow_hub as hub

# 加载ResNet50特征提取模型（无顶层分类层，需使用TensorFlow Hub提供的对应模型路径）
resnet50_hub = hub.KerasLayer(
    "resnet_v1_50特征向量模型的Hub路径",
    input_shape=(224, 224, 3),
    trainable=False  # 如需微调可设置为True
)

# 构建特征提取模型
feature_extractor = tf.keras.Sequential([resnet50_hub])

# 测试特征提取
test_input = tf.random.normal((1, 224, 224, 3))
features = feature_extractor(test_input)
print(f"特征输出形状: {features.shape}")

内容的提问来源于stack exchange，提问作者Mahdi Safarzadeh