tf.keras.models.load_model为何重构建模型？加载遇输入形状报错

1. H5模型的序列化特性：H5格式保存的模型会存储架构、权重与配置信息，但如果模型在保存前已经通过输入数据或build()方法确定了输入形状，加载时内部反序列化逻辑可能误触发重复构建流程，导致输入形状重复配置的冲突。
2. 不安全反序列化的副作用：启用tf.keras.config.enable_unsafe_deserialization()通常是为了加载包含自定义层/组件的模型，但这类场景下的反序列化逻辑可能存在缺陷，导致加载时错误地尝试用已存在的输入形状重新构建模型。
3. 版本兼容性问题：不同TensorFlow版本对H5模型的序列化/反序列化逻辑存在差异，旧版本保存的模型在新版本中加载时，可能出现配置解析冲突，触发重复构建的错误。

• 禁用不安全反序列化（无自定义组件时）：如果模型不包含自定义层或自定义训练逻辑，直接移除enable_unsafe_deserialization()调用后重新加载：

def load_model(model_path):
    """加载指定路径的已保存模型"""
    print(f"Loading saved model from: {model_path}")
    model = tf.keras.models.load_model(model_path)
    return model

• 手动跳过自动构建（含自定义组件时）：如果必须启用不安全反序列化，可尝试关闭自动编译，手动确认模型输入形状后重新编译：

def load_model(model_path):
    """加载指定路径的已保存模型"""
    tf.keras.config.enable_unsafe_deserialization()
    print(f"Loading saved model from: {model_path}")
    # 关闭自动编译，避免触发自动构建
    model = tf.keras.models.load_model(model_path, compile=False)
    # 显式确认输入形状（若模型未完全初始化）
    if not model.built:
        model.build(input_shape=(None, 224, 224, 3))
    # 重新编译模型（需匹配原训练时的优化器、损失函数等）
    model.compile(optimizer='Adam', loss='categorical_crossentropy', metrics=['accuracy'])
    return model

• 改用SavedModel格式：H5格式的序列化存在诸多限制，推荐使用TensorFlow原生的SavedModel格式。保存时用model.save("模型保存目录")，加载时直接用tf.keras.models.load_model("模型保存目录")，能从根源避免这类输入形状冲突问题。

内容的提问来源于stack exchange，提问作者Ahmed Anwar Khan