TensorFlow升级至2.7以上版本后tf.keras.load_model无法加载旧模型求助

问题核心 #

你遇到的是TF版本升级后，模型保存时的输入签名 dtype（float16）与高版本TF加载时默认的 dtype（float32）不匹配，导致类型校验失败的问题。以下是无需修改TF源码的规避方案：

方案1：在TF2.7环境中转存模型，统一输入 dtype #

利用TF2.7能正常加载模型的特性，重新定义输入层的 dtype 后保存新模型，让高版本TF可以正常识别：

import tensorflow as tf

# 确认当前环境为TensorFlow 2.7.x
print(tf.__version__)

# 加载原模型
original_model = tf.keras.models.load_model("path/to/your/original/model")

# 重新定义输入层，指定统一的dtype（这里用float32，也可根据原模型选择float16）
input_layer = tf.keras.layers.Input(
    shape=original_model.input_shape[1:],  # 保留除batch外的维度
    dtype=tf.float32,
    name=original_model.input_names[0]
)

# 复用原模型的层结构
x = input_layer
for layer in original_model.layers[1:]:
    x = layer(x)

# 构建新模型并复制原权重
new_model = tf.keras.Model(inputs=input_layer, outputs=x)
new_model.set_weights(original_model.get_weights())

# 保存兼容高版本的新模型
new_model.save("path/to/compatible/model")

方案2：在高版本TF中修改加载逻辑，适配 dtype #

直接在高版本环境中加载SavedModel，通过包装预测函数统一 dtype 后重新保存：

import tensorflow as tf

# 加载原SavedModel模型
loaded_model = tf.saved_model.load("path/to/your/original/model")

# 定义包装函数，统一输入输出的dtype
@tf.function(input_signature=[tf.TensorSpec(shape=(None, None, 80), dtype=tf.float32, name='x')])
def wrapped_infer(inputs):
    # 将输入转换为原模型预期的float16
    inputs_cast = tf.cast(inputs, tf.float16)
    outputs = loaded_model(inputs_cast)
    # 可选：将输出转换为float32适配高版本默认设置
    return tf.cast(outputs, tf.float32)

# 保存修改后的模型
tf.saved_model.save(wrapped_infer, "path/to/fixed/model")

# 现在可以用Keras正常加载
compatible_model = tf.keras.models.load_model("path/to/fixed/model")

方案3：分离模型结构与权重，重新加载 #

放弃完整模型保存的元数据，只保存权重，在高版本中重新构建模型结构后加载权重：

1. 在TF2.7中导出权重

original_model = tf.keras.models.load_model("path/to/original/model")
original_model.save_weights("model_weights.h5")

2. 在高版本TF中重建模型并加载权重

import tensorflow as tf

# 严格复刻原模型的结构（输入dtype可统一设为float32或float16）
def build_original_model():
    inputs = tf.keras.layers.Input(shape=(None, None, 80), dtype=tf.float32)
    # 替换为你原模型的所有层结构，确保与原模型完全一致
    x = tf.keras.layers.Conv1D(64, 3, activation='relu')(inputs)
    outputs = tf.keras.layers.Dense(1)(x)
    return tf.keras.Model(inputs=inputs, outputs=outputs)

# 构建模型并加载权重
model = build_original_model()
model.load_weights("model_weights.h5")

内容的提问来源于stack exchange，提问作者Error404