如何基于真实图像构建CNN模型？Keras加载模型报错求解决

1. 数据准备 #

真实图像数据集需先完成预处理，Keras提供ImageDataGenerator或tf.data.Dataset实现高效加载：

• 按类别划分训练/验证/测试集，以文件夹结构存放（每个类别对应一个子文件夹）
• 预处理操作：缩放像素值至[0,1]区间、统一图像尺寸、可选数据增强（缓解过拟合）
  示例代码：

from tensorflow.keras.preprocessing.image import ImageDataGenerator

# 训练集启用数据增强
train_datagen = ImageDataGenerator(
    rescale=1./255,
    rotation_range=20,
    width_shift_range=0.2,
    height_shift_range=0.2,
    horizontal_flip=True
)

# 验证/测试集仅做像素缩放
val_test_datagen = ImageDataGenerator(rescale=1./255)

# 加载训练集
train_generator = train_datagen.flow_from_directory(
    'train_dir',
    target_size=(130, 130),
    batch_size=32,
    class_mode='categorical'  # 多分类用categorical，二分类用binary
)

# 加载验证集
val_generator = val_test_datagen.flow_from_directory(
    'val_dir',
    target_size=(130, 130),
    batch_size=32,
    class_mode='categorical'
)

2. 构建CNN模型结构 #

CNN核心由「卷积+池化」块堆叠而成，最后搭配全连接层输出分类结果：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout

model = Sequential([
    # 输入层：指定图像形状(高度, 宽度, 通道数)
    Conv2D(32, (3, 3), activation='relu', input_shape=(130, 130, 3)),
    MaxPooling2D((2, 2)),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D((2, 2)),
    Conv2D(128, (3, 3), activation='relu'),
    MaxPooling2D((2, 2)),
    # 扁平化层：将多维特征转为一维向量
    Flatten(),
    # 全连接层+Dropout抑制过拟合
    Dense(512, activation='relu'),
    Dropout(0.5),
    # 输出层：神经元数量对应分类类别数，多分类用softmax激活
    Dense(10, activation='softmax')
])

3. 编译与训练模型 #

指定优化器、损失函数和评估指标后启动训练：

model.compile(
    optimizer='adam',
    loss='categorical_crossentropy',  # 多分类用该损失，二分类用binary_crossentropy
    metrics=['accuracy']
)

# 训练模型
history = model.fit(
    train_generator,
    epochs=20,
    validation_data=val_generator
)

4. 模型评估与预测 #

用测试集验证模型性能，或对单张图像做预测：

# 加载测试集并评估
test_generator = val_test_datagen.flow_from_directory(
    'test_dir',
    target_size=(130, 130),
    batch_size=32,
    class_mode='categorical'
)
test_loss, test_acc = model.evaluate(test_generator)
print(f"测试准确率: {test_acc:.2f}")

# 单张图像预测示例
import numpy as np
from tensorflow.keras.preprocessing import image

img = image.load_img('test_img.jpg', target_size=(130, 130))
img_array = image.img_to_array(img) / 255.0
img_array = np.expand_dims(img_array, axis=0)  # 增加batch维度
prediction = model.predict(img_array)
predicted_class = np.argmax(prediction)

该错误核心是模型输入维度与加载时的输入不匹配，或模型保存/加载过程中自定义组件未正确处理，以下是具体排查和解决方法：

1. 验证预训练模型的输入形状 #

• 加载前先确认原模型的输入形状是否与你指定的(130,130,3)一致：

# 若能获取原模型代码，直接打印输入层信息
print(model.input_shape)

# 仅持有模型文件时，先尝试无编译加载查看输入形状
from tensorflow.keras.models import load_model

model = load_model('your_model.h5', custom_objects={}, compile=False)
print(model.input_shape)

• 若原模型输入形状不匹配，有两种解决方案：
  • 调整当前输入图像尺寸，匹配原模型的输入要求；
  • 重新构建与原模型结构一致但输入形状修改后的模型，再加载原模型权重：

# 构建新模型（输入形状改为(130,130,3)，其余层与原模型完全一致）
new_model = Sequential([
    Conv2D(32, (3,3), activation='relu', input_shape=(130,130,3)),
    # 后续层结构与原模型完全对齐...
])
# 加载原模型权重
new_model.load_weights('your_model_weights.h5')

2. 注册自定义层/损失函数 #

如果原模型使用了自定义层、损失函数或指标，加载时必须通过custom_objects参数注册，否则Keras无法正确解析模型结构，可能引发维度错误：

# 示例：加载使用了自定义损失函数的模型
def custom_loss(y_true, y_pred):
    # 自定义损失逻辑
    pass

model = load_model('your_model.h5', custom_objects={'custom_loss': custom_loss})

3. 检查模型保存方式 #

• 若原模型用model.save()保存完整模型，加载时不要手动修改输入形状；如需调整输入尺寸，建议仅保存权重（model.save_weights()），再重新构建匹配新输入形状的模型后加载权重。
• 避免在保存模型前随意修改输入形状，或加载时强制传入不匹配的input_shape参数（会导致层维度计算错误）。

4. 排查卷积层类型 #

错误中的“Kernel shape”指卷积核维度，比如(3,3)是2D卷积核，对应输入必须是4维（batch, height, width, channels）。若原模型误用了Conv1D处理图像数据，也会触发该错误，需确认卷积层类型为Conv2D。

内容的提问来源于stack exchange，提问作者Abby93