如何将Keras(TensorFlow后端)的.h5模型转换为PyTorch模型？

你可以通过两种方式将Keras保存的.h5模型/权重转换为PyTorch可用的格式，以下是具体步骤：

一、使用自动转换工具（快速便捷） #

针对标准结构的模型（比如你用的ResNet50），可以用keras2torch工具直接完成转换：

1. 安装工具

pip install keras2torch

2. 加载Keras模型并转换

import tensorflow as tf
import torch
from keras2torch import convert

# 加载完整的Keras模型
keras_model = tf.keras.models.load_model("mymodel.h5")
# 转换为PyTorch模型
pytorch_model = convert(keras_model)
# 保存PyTorch模型权重
torch.save(pytorch_model.state_dict(), "mymodel_pytorch.pth")

注意：如果模型包含自定义层或特殊操作，自动转换可能失效，此时建议用手动映射的方式。

二、手动映射权重（更可靠，适合标准ResNet50） #

因为你使用的是标准ResNet50（include_top=False），可以手动对齐Keras和PyTorch的层结构，逐个映射权重：

1. 定义PyTorch版的ResNet50结构（和Keras参数对齐）

import torch
import torchvision.models as models

# 创建无预训练权重、不含顶层的ResNet50，和Keras参数匹配
pytorch_model = models.resnet50(pretrained=False, num_classes=None)

2. 加载Keras权重并映射到PyTorch模型
   Keras和PyTorch的卷积核维度顺序不同：Keras是(filters, kernel_h, kernel_w, in_channels)，PyTorch是(out_channels, in_channels, kernel_h, kernel_w)，需要转置后赋值；批归一化层的参数（gamma、beta、moving_mean、moving_var）可以直接对应赋值。

示例代码（以初始层和第一个残差块为例，其余层可按相同逻辑批量处理）：

import h5py

# 加载Keras权重文件
with h5py.File("saved_weights.h5", "r") as h5_file:
    # 处理第一层卷积
    keras_conv_weights = h5_file["conv2d_1"]["conv2d_1"]["kernel:0"][()]
    # 转置维度匹配PyTorch格式
    pytorch_conv_weights = keras_conv_weights.transpose(3, 2, 0, 1)
    pytorch_model.conv1.weight.data = torch.from_numpy(pytorch_conv_weights)
    # 处理卷积层偏置
    keras_conv_bias = h5_file["conv2d_1"]["conv2d_1"]["bias:0"][()]
    pytorch_model.conv1.bias.data = torch.from_numpy(keras_conv_bias)
    
    # 处理第一层批归一化
    pytorch_model.bn1.weight.data = torch.from_numpy(h5_file["batch_normalization_1"]["batch_normalization_1"]["gamma:0"][()])
    pytorch_model.bn1.bias.data = torch.from_numpy(h5_file["batch_normalization_1"]["batch_normalization_1"]["beta:0"][()])
    pytorch_model.bn1.running_mean.data = torch.from_numpy(h5_file["batch_normalization_1"]["batch_normalization_1"]["moving_mean:0"][()])
    pytorch_model.bn1.running_var.data = torch.from_numpy(h5_file["batch_normalization_1"]["batch_normalization_1"]["moving_variance:0"][()])
    
    # 处理残差块（以layer1的第一个块为例）
    # Keras的conv2d_2对应PyTorch的layer1[0].conv1
    keras_res_conv_weights = h5_file["conv2d_2"]["conv2d_2"]["kernel:0"][()].transpose(3,2,0,1)
    pytorch_model.layer1[0].conv1.weight.data = torch.from_numpy(keras_res_conv_weights)
    # 剩余层可按此逻辑循环处理

3. 验证转换效果
   输入相同的测试数据（注意调整维度：Keras是(batch, h, w, c)，PyTorch是(batch, c, h, w)），比较两个模型的输出，误差在可接受范围内（比如1e-5）则说明转换成功。

关键注意事项 #

• 确保PyTorch模型的结构和Keras完全一致，包括层数量、通道数、是否包含池化/激活等操作；
• 框架间的浮点计算可能存在微小差异，输出不必完全一致，只要误差在合理范围内即可。

内容的提问来源于stack exchange，提问作者seni