如何在Python桌面应用中不导入Keras加载Keras模型？

针对你的场景（Python3.11.7 + Keras2.15.0/TensorFlow2.15 + PyInstaller），以下是几种可行的方案：

方案1：转换为TFLite轻量化模型 #

TFLite是TensorFlow专为部署设计的轻量级格式，体积远小于H5，且加载时仅需依赖TensorFlow Lite模块，无需完整Keras/TensorFlow：

• 转换模型（训练环境执行）：

import tensorflow as tf

# 加载原H5模型
model = tf.keras.models.load_model("model.h5")
# 转换为TFLite
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()
# 保存为.tflite文件
with open("model.tflite", "wb") as f:
    f.write(tflite_model)

• 部署加载（打包到exe的代码）：

import tensorflow as tf

# 加载TFLite模型
interpreter = tf.lite.Interpreter(model_path="model.tflite")
interpreter.allocate_tensors()

# 获取输入输出张量
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()

# 运行推理示例
input_data = ... # 你的输入数据，需匹配模型输入形状/类型
interpreter.set_tensor(input_details[0]['index'], input_data)
interpreter.invoke()
output_data = interpreter.get_tensor(output_details[0]['index'])

方案2：优化PyInstaller打包配置 #

通过精简依赖、排除冗余模块来缩小exe体积：

• 使用纯净虚拟环境：仅安装tensorflow、PyInstaller和GUI依赖（如PyQt/Tkinter），避免多余库被打包。
• 定制.spec文件排除冗余：
  生成.spec文件：pyi-makespec your_script.py
  编辑.spec文件，在hiddenimports中仅保留必要依赖，同时在excludes中添加冗余模块：

  excludes=[
      'tensorflow.python.tests',
      'tensorflow.examples',
      'tensorflow.doc',
      'keras.applications', # 如果你没用到预训练模型
      'keras.datasets'      # 如果你没用到内置数据集
  ]
  

• 使用UPX压缩：打包时添加--upx-dir=path/to/upx参数，UPX可大幅压缩exe体积（需提前下载UPX工具）。
• 采用--onedir模式：相比--onefile，目录模式体积更小，运行速度更快，适合对体积敏感的场景。

方案3：手动加载模型结构与权重（避免完整Keras导入） #

如果必须保留H5格式，可拆分模型结构和权重加载，仅导入必要模块：

• 训练时导出模型结构为JSON：

model = tf.keras.models.load_model("model.h5")
model_json = model.to_json()
with open("model_structure.json", "w") as f:
    f.write(model_json)
model.save_weights("model_weights.h5")

• 部署时加载：

# 仅导入必要模块，避免导入完整keras.models
from tensorflow.keras.models import model_from_json
from tensorflow.keras.models import load_weights

# 加载结构
with open("model_structure.json", "r") as f:
    model_structure = f.read()
model = model_from_json(model_structure)
# 加载权重
model.load_weights("model_weights.h5")

# 运行推理
output = model.predict(input_data)

这种方式仅引入模型结构解析和权重加载的必要模块，比直接用keras.models.load_model减少部分冗余依赖。

内容的提问来源于stack exchange，提问作者yamato