跨系统加载tf.keras LSTM模型时出现输出形状不匹配警告求助

问题背景 #

在Linux（Google Colab）训练的tf.keras.Sequential LSTM模型，在Windows本地同版本环境（Python3.10、TensorFlow/Keras2.15）加载时，出现_output_shapes属性不匹配的警告，尝试load_model(compile=False)无效。

可行解决方案 #

方案1：优化SavedModel保存参数 #

在Colab训练完成后，用以下方式保存模型，确保序列化的计算图跨平台兼容：

# 保存为TF格式，排除优化器（仅推理无需优化器）
model.save('lstm_inference_model', save_format='tf', include_optimizer=False)

将整个模型文件夹复制到本地后，直接用tf.keras.models.load_model加载即可。

方案2：分离模型结构与权重保存（最稳妥） #

完全避开SavedModel的跨平台序列化差异，分别保存结构和权重：

Colab端保存

# 导出模型结构为JSON
model_json = model.to_json()
with open("lstm_model_structure.json", "w") as f:
    f.write(model_json)
# 导出权重为HDF5格式
model.save_weights("lstm_model_weights.h5")

本地端加载

from tensorflow.keras.models import model_from_json

# 加载结构
with open("lstm_model_structure.json", "r") as f:
    model_structure = f.read()
loaded_model = model_from_json(model_structure)
# 加载权重
loaded_model.load_weights("lstm_model_weights.h5")
# 若仅需推理，可省略编译；若需要后续微调，用原训练时的编译参数
loaded_model.compile(optimizer='adam', loss='mse') # 替换为你的实际参数

方案3：加载后触发计算图重推断 #

如果已保存的是旧的SavedModel，加载后通过一次前向传播让TensorFlow重新计算输出形状：

import tensorflow as tf

loaded_model = tf.keras.models.load_model('saved_lstm_model')
# 生成符合模型输入形状的dummy张量（替换为你的实际输入维度）
dummy_input = tf.random.normal((1, 30, 10)) # 示例：(batch_size, timesteps, features)
# 执行一次前向传播
_ = loaded_model(dummy_input)

执行后，TensorFlow会更新计算图的输出形状属性，警告将不再出现。

额外注意事项 #

• 保存模型前，先执行一次model.predict（传入真实或dummy数据），确保模型处于推理模式，避免训练时的动态计算图残留。
• 若警告不影响推理结果，可临时通过以下代码屏蔽：

import tensorflow as tf
tf.get_logger().setLevel('ERROR')

内容的提问来源于stack exchange，提问作者Vitto