如何无需额外训练合并两个MNIST分类模型实现0-9数字分类？

为什么你的代码报错 #

你之前用Sequential直接堆叠两个模型的写法会报错，核心原因是：第一个模型输出的是10维概率向量，而第二个模型需要的是28×28×1的图片输入，两者形状完全不匹配，导致模型无法正常构建。

两种无需额外训练的合并方案 #

方案1：直接复用两个模型的输出（最直接高效） #

因为你的两个模型分别对0-4、5-9的分类结果准确，我们可以直接取第一个模型的前5类输出（对应数字0-4）、第二个模型的后5类输出（对应数字5-9），拼接成完整的0-9分类结果：

import tensorflow as tf
from tensorflow import keras

# 加载训练好的两个模型
model_0_4 = keras.models.load_model('final_model_0_4.h5') 
model_5_9 = keras.models.load_model('final_model_5_9.h5')  

# 定义统一的图片输入层
input_img = keras.layers.Input(shape=(28, 28, 1))

# 获取两个模型的原始输出
output_0_4 = model_0_4(input_img)
output_5_9 = model_5_9(input_img)

# 拼接有效输出：取model_0_4的0-4类概率，model_5_9的5-9类概率
combined_output = keras.layers.concatenate(
    [output_0_4[:, :5], output_5_9[:, 5:]],
    axis=1
)

# 构建合并后的完整模型
combined_model = keras.models.Model(inputs=input_img, outputs=combined_output)

# 编译模型（无需训练，编译仅为了支持保存和调用predict方法）
opt = tf.keras.optimizers.SGD(learning_rate=0.01, momentum=0.9)
combined_model.compile(optimizer=opt, loss='categorical_crossentropy', metrics=['accuracy'])

# 保存合并后的模型
combined_model.save('combined_model.h5')

方案2：基于特征层拼接（更灵活的扩展方案） #

如果你想利用两个模型的特征提取能力，可去掉它们的输出层，拼接中间特征后接新的输出层（若无需训练，新输出层用随机初始化，效果略逊于方案1）：

import tensorflow as tf
from tensorflow import keras

# 加载训练好的两个模型
model_0_4 = keras.models.load_model('final_model_0_4.h5') 
model_5_9 = keras.models.load_model('final_model_5_9.h5')  

# 去掉最后一层softmax输出层，取倒数第二层的100维特征输出
feat_extractor_0_4 = keras.models.Model(
    inputs=model_0_4.input,
    outputs=model_0_4.layers[-2].output
)
feat_extractor_5_9 = keras.models.Model(
    inputs=model_5_9.input,
    outputs=model_5_9.layers[-2].output
)

# 定义统一输入层
input_img = keras.layers.Input(shape=(28, 28, 1))

# 获取两个模型的特征向量
feat_0_4 = feat_extractor_0_4(input_img)
feat_5_9 = feat_extractor_5_9(input_img)

# 拼接两个特征向量
combined_feat = keras.layers.concatenate([feat_0_4, feat_5_9], axis=1)

# 添加新的10分类输出层
final_output = keras.layers.Dense(10, activation='softmax')(combined_feat)

# 构建合并后的模型
combined_model = keras.models.Model(inputs=input_img, outputs=final_output)

# 编译模型
opt = tf.keras.optimizers.SGD(learning_rate=0.01, momentum=0.9)
combined_model.compile(optimizer=opt, loss='categorical_crossentropy', metrics=['accuracy'])

# 保存模型
combined_model.save('combined_model.h5')

关键注意事项 #

• 必须使用TensorFlow的函数式API处理多模型拼接场景，Sequential仅适用于单输入单输出的线性堆叠，无法应对这种多模型组合需求。
• 优先选择方案1，它完全复用了两个模型已训练好的分类结果，不需要任何额外训练，直接就能得到0-9的准确分类。

内容的提问来源于stack exchange，提问作者beginner