如何加载Keras保存的.h5权重文件？解决TypeError参数缺失问题

错误原因 #

你直接调用了Model类的load_weights()方法，但这个方法是模型实例的方法，必须先创建和训练阶段结构完全一致的模型对象，再通过对象调用该方法，而非用类本身调用。

正确操作步骤 #

1. 重建与训练时完全一致的模型结构
   比如你训练时定义的模型结构如下（示例）：

   from tensorflow.keras import layers, Model
   
   def build_classification_model():
       inputs = layers.Input(shape=(224, 224, 3))  # 和训练时的输入形状一致
       x = layers.Conv2D(32, (3, 3), activation='relu')(inputs)
       x = layers.MaxPooling2D(pool_size=(2, 2))(x)
       x = layers.Flatten()(x)
       x = layers.Dense(64, activation='relu')(x)
       outputs = layers.Dense(10, activation='softmax')(x)  # 分类数和训练时一致
       return Model(inputs=inputs, outputs=outputs)
   

   预测阶段先创建模型实例：

   model = build_classification_model()
   

2. 通过模型实例加载权重
   用创建好的模型对象调用load_weights()，传入权重文件路径：

   model.load_weights('file_name.h5')
   

3. 执行单张图像预测
   对单张图像做预处理（和训练时的预处理逻辑一致，比如归一化、resize等）后，调用模型的predict()方法即可：

   # 示例：预处理单张图像
   import numpy as np
   from PIL import Image
   
   img = Image.open('test_image.jpg').resize((224, 224))
   img_array = np.array(img) / 255.0  # 和训练时的归一化一致
   img_array = np.expand_dims(img_array, axis=0)  # 增加batch维度
   
   # 预测
   predictions = model.predict(img_array)
   

关键注意事项 #

• 模型结构必须和训练阶段完全匹配，包括输入形状、每层的参数（卷积核数量、全连接层神经元数等），否则权重无法正确加载
• 若训练时使用了自定义层，需确保预测代码中定义了相同的自定义层，或在加载时通过custom_objects参数指定

Keras官方核心说明（翻译） #

load_weights()是Keras模型实例的方法，而非模型类的方法。它用于将已保存的权重加载到结构完全匹配的模型实例中。保存权重使用model.save_weights(filepath)，加载时需先构建相同结构的模型，再调用实例的load_weights(filepath)方法。

内容的提问来源于stack exchange，提问作者Stop War