Keras面部表情识别模型无法无报错转换为TensorFlow Lite

针对你在Kaggle Notebook（TensorFlow 2.15.0 + Keras 3.0.5）中遇到的Keras模型转TFLite无报错中断问题，以下是几个可行的排查和解决步骤：

1. 统一使用tf.keras加载模型，避免版本冲突 #

Keras 3作为独立库，和TensorFlow 2.15内置的tf.keras存在兼容性差异。修改模型加载代码，完全使用TensorFlow自带的Keras接口：

import tensorflow as tf

model = tf.keras.models.load_model('/kaggle/input/grimace-recognition/keras/grimace v1/1/grimace.h5')
print("loaded successfully")

2. 启用调试日志，排查隐性问题 #

无报错中断大概率存在未触发异常的隐性错误，开启TensorFlow详细日志输出，查看转换过程细节：

import tensorflow as tf
import os

# 开启全量日志输出
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '0'
tf.debugging.set_log_device_placement(True)

# 加载模型（使用tf.keras）
model = tf.keras.models.load_model('/kaggle/input/grimace-recognition/keras/grimace v1/1/grimace.h5')

# 执行转换
converter = tf.lite.TFLiteConverter.from_keras_model(model)
print("converter established")
tfmodel = converter.convert()
print("converted successfully")
open("grimace.tflite", "wb").write(tfmodel)

通过日志中的警告或错误信息定位具体问题。

3. 先转存为SavedModel格式再转换TFLite #

H5格式在Keras 3和TensorFlow 2.x间兼容性较差，先将模型保存为TensorFlow原生的SavedModel格式，再进行TFLite转换：

import tensorflow as tf

# 加载模型
model = tf.keras.models.load_model('/kaggle/input/grimace-recognition/keras/grimace v1/1/grimace.h5')
# 保存为SavedModel
model.save('/tmp/grimace_saved_model')

# 从SavedModel转换为TFLite
converter = tf.lite.TFLiteConverter.from_saved_model('/tmp/grimace_saved_model')
tfmodel = converter.convert()
# 保存TFLite模型
with open("grimace.tflite", "wb") as f:
    f.write(tfmodel)

4. 显式指定输入形状，避免动态形状问题 #

模型输入形状的动态性（比如未固定批量大小）可能导致转换卡住，显式指定输入张量的形状：

import tensorflow as tf

# 加载模型
model = tf.keras.models.load_model('/kaggle/input/grimace-recognition/keras/grimace v1/1/grimace.h5')
# 指定输入形状：批量大小设为None（支持动态批量），输入尺寸为(128,128,1)
input_spec = tf.TensorSpec(shape=(None, 128, 128, 1), dtype=tf.float32)
# 初始化转换器时传入输入规格
converter = tf.lite.TFLiteConverter.from_keras_model(model, input_specs=[input_spec])

tfmodel = converter.convert()
with open("grimace.tflite", "wb") as f:
    f.write(tfmodel)

5. 检查Kaggle资源限制 #

Kaggle Notebook的CPU内存或计算资源不足也可能导致转换中断，可尝试：

• 临时缩小模型规模（比如减少卷积层的核数量）测试转换是否能完成
• 切换到Kaggle GPU环境（虽TFLite转换以CPU为主，但GPU环境内存分配更充足）

内容的提问来源于stack exchange，提问作者Omar Marnissi