Keras .h5模型转TensorFlow Lite时出现核心转储错误求助

你遇到的核心转储错误源于独立Keras 3.x与TensorFlow 2.16.x的TF Lite转换器兼容性冲突。Keras 3.x作为独立框架，内部实现逻辑与TensorFlow原生tf.keras存在差异，触发了MLIR转换流程中的类型推断异常。以下是具体修复方案：

方案1：改用TensorFlow内置的tf.keras #

直接使用TensorFlow自带的Keras实现，彻底规避独立Keras包的兼容性问题：

• 修改代码导入逻辑，替换所有keras相关导入为tf.keras：

import tensorflow as tf

# 创建tf.keras模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(64, activation='relu', input_shape=(784,)),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 转换并保存TFLite模型
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()

with open('model.tflite', 'wb') as f:
    f.write(tflite_model)

print("TensorFlow Lite model saved successfully!")

• 卸载冲突的独立Keras包：

pip uninstall -y keras keras-core keras-cv

方案2：降级Keras到2.x版本 #

若需保留独立Keras使用习惯，可降级到与TensorFlow 2.16兼容的Keras 2.x版本：

• 执行降级命令：

pip install keras==2.16.0

• 保持原代码不变，重新运行转换脚本即可。

方案3：先保存为SavedModel再转换 #

通过SavedModel格式中转，绕开直接转换的兼容性问题：

import tensorflow as tf
from keras.models import Sequential
from keras.layers import Dense

# 创建并编译原模型
model = Sequential([
    Dense(64, activation='relu', input_shape=(784,)),
    Dense(64, activation='relu'),
    Dense(10, activation='softmax')
])
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 保存为SavedModel格式
model.save('saved_model')

# 从SavedModel转换为TFLite
converter = tf.lite.TFLiteConverter.from_saved_model('saved_model')
tflite_model = converter.convert()

# 保存TFLite模型
with open('model.tflite', 'wb') as f:
    f.write(tflite_model)

print("TensorFlow Lite model saved successfully!")

内容的提问来源于stack exchange，提问作者architect