无法在Flask环境中加载Kaggle训练的深度学习模型

核心原因分析 #

问题根源在于Kaggle与Flask环境的TensorFlow/Keras版本不一致，同时混合使用了独立Keras和TensorFlow集成的Keras导入，导致模型加载时无法识别标准层（如BatchNormalization）。

具体修复方案 #

1. 统一使用TensorFlow集成的Keras导入 #

删除所有独立Keras（import keras）的导入语句，全部替换为TensorFlow官方的Keras模块：

from flask import Flask, render_template, request, jsonify
from werkzeug.utils import secure_filename
from flask_sqlalchemy import SQLAlchemy
import numpy as np
import tensorflow as tf
from tensorflow.keras.models import Sequential, model_from_json
from tensorflow.keras.layers import BatchNormalization
import os
import pickle
import librosa

2. 加载模型时传入自定义层映射 #

在加载JSON模型时，明确将BatchNormalization传入custom_objects参数，让模型加载器识别该层：

json_file = open('Backend/kaggle/CNN_model.json', 'r')
loaded_model_json = json_file.read()
json_file.close()
# 传入custom_objects解决未知层问题
loaded_model = model_from_json(loaded_model_json, custom_objects={'BatchNormalization': BatchNormalization})
loaded_model.load_weights("Backend/kaggle/best_model1_weights.h5")

3. 严格匹配Kaggle的TensorFlow版本 #

这是最关键的一步：

• 在Kaggle环境中运行以下代码查看版本：

  import tensorflow as tf
  print(tf.__version__)
  

• 在Flask的虚拟环境中安装完全相同的版本：

  pip install tensorflow==<Kaggle上的版本号>
  

• 同时确保librosa、numpy等依赖库的版本与Kaggle环境一致，避免兼容性冲突。

4. 可选：改用完整模型保存/加载方式 #

如果上述步骤仍有问题，建议在Kaggle中直接保存完整模型，而非拆分JSON和权重：

# Kaggle上的保存代码
model.save("full_CNN_model.h5")

在Flask中加载时只需一行代码：

loaded_model = tf.keras.models.load_model("Backend/kaggle/full_CNN_model.h5")

这种方式无需处理自定义层，兼容性更好。

内容的提问来源于stack exchange，提问作者Frankie vara