.h5与.hdf5格式差异解析及Keras中load_model与load_weights的使用疑问解答

1. .h5 与 .hdf5 格式有什么区别？ #

其实这俩完全是一回事！HDF5是Hierarchical Data Format 5的缩写，.h5只是它的简写扩展名，本质上属于同一种文件格式。不管你用哪个后缀，Keras、HDFView这类工具对它们的处理没有任何区别——你甚至可以把一个.h5文件直接重命名为.hdf5，功能丝毫不影响。

2. Keras 中模型/权重文件加载的常见疑问 #

下面针对你提到的几个问题逐个拆解，结合代码示例让你一目了然：

2.1 能否用 load_model 加载预训练权重/模型？ #

这得看文件是怎么保存的：

• 如果这个.h5/.hdf5文件是用model.save()保存的完整模型（包含架构、权重、优化器状态、损失函数配置等所有信息），那直接用load_model加载完全没问题，加载完就能直接用。
• 但如果只是单独的权重文件（比如作者用model.save_weights()导出的），那load_model加载会直接报错——因为它找不到模型架构的元数据。

2.2 load_model 与 load_weights 之间有什么区别？ #

这两个方法的定位完全不同，我用实际场景和代码来区分：

load_model：加载完整的"即用型"模型

它会把整个模型的所有信息都加载进来，包括：

• 模型的层结构和连接方式
• 所有层的权重参数
• 训练时的优化器状态（比如之前训练到第几轮、学习率是多少）
• 损失函数、评估指标的配置
  加载后你不需要做额外操作，直接就能用model.predict()预测，或者继续model.fit()训练。

from tensorflow.keras.models import load_model

# 加载用model.save()保存的完整模型
model = load_model('full_model.h5')

# 直接预测
predictions = model.predict(test_images)
# 继续训练
model.fit(train_images, train_labels, epochs=3)

load_weights：仅加载权重参数

它只负责把预训练的权重数值赋值给你预先定义好的模型架构，不包含任何架构、优化器或损失函数的信息。所以使用它的前提是：你必须先手动构建一个和原模型完全一致的架构（层类型、参数数量、输入输出形状都要匹配）。

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

# 第一步：复刻原模型的架构
def build_mnist_model():
    model = Sequential([
        Conv2D(32, (3,3), activation='relu', input_shape=(28,28,1)),
        MaxPooling2D((2,2)),
        Flatten(),
        Dense(128, activation='relu'),
        Dense(10, activation='softmax')
    ])
    return model

model = build_mnist_model()

# 第二步：加载单独的权重文件
model.load_weights('mnist_weights.h5')

# 注意：此时模型还没编译，如果要训练的话需要先编译
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(train_images, train_labels, epochs=3)

# 只是预测的话，不用编译也能直接用
predictions = model.predict(test_images)

2.3 能否用Keras的load_model加载权重文件，还是应该用load_weights？ #

绝对不能用load_model加载单独的权重文件！load_model需要文件里包含模型架构的配置信息（比如JSON格式的层定义），而单独的权重文件只有参数张量，没有这些元数据，加载时会抛出类似ValueError: No model found in config file的错误。

正确的做法是：单独的权重文件必须用load_weights加载，而且要先构建好对应的模型架构。

2.4 如果加载权重，是否必须同时加载完整的模型架构？ #

是的，必须要有和原模型完全一致的架构。因为权重文件里的参数是和模型的层一一绑定的——每个层的参数形状、数量都要严格匹配。比如原模型第一层是32个3x3的卷积核，你新定义的模型第一层也得是一样的参数，否则加载时会报形状不兼容的错误。

要是你没有原模型的代码，很多作者会同时提供架构的JSON/YAML文件，你可以先加载架构再加载权重：

from tensorflow.keras.models import model_from_json

# 加载架构JSON文件
with open('model_architecture.json', 'r') as f:
    model_json = f.read()
model = model_from_json(model_json)

# 加载权重
model.load_weights('model_weights.h5')

内容的提问来源于stack exchange，提问作者user2986845