仅通过.h5文件加载模型后，如何编辑模型及恢复训练测试数据？

能否从.h5文件还原训练/测试数据？ #

不能。Keras的.h5模型文件默认仅存储以下内容：

• 模型的网络结构
• 模型的权重参数
• 优化器的状态（如果保存时指定了save_format='h5'且包含优化器）

训练和测试数据集不会被保存到.h5文件中，因此无法从该文件恢复这些数据。

恢复原始数据对编辑模型是否必要？ #

不需要。编辑已保存的模型（比如调整层结构、修改激活函数、调整参数等）只依赖模型本身的结构与权重，完全不需要原始的训练/测试数据。

编辑已加载模型的可行方法 #

1. 直接修改加载后的模型结构 #

可以直接对load_model返回的模型对象进行调整，比如替换某一层、添加新层：

import tensorflow as tf
from tensorflow.keras.models import load_model
from tensorflow.keras.layers import Dense

# 加载原模型
new_model = load_model(filepath)

# 示例：替换最后一层的激活函数
# 获取原倒数第二层的输出（作为新最后一层的输入）
prev_layer_output = new_model.layers[-2].output
# 获取原最后一层的单元数
num_units = new_model.layers[-1].units

# 创建新的最后一层
new_last_layer = Dense(num_units, activation='sigmoid')(prev_layer_output)

# 构建编辑后的模型
edited_model = tf.keras.Model(inputs=new_model.input, outputs=new_last_layer)

# 若需要后续训练，重新编译模型
edited_model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

2. 基于原权重构建新模型 #

如果需要大幅修改模型结构，可以先定义新的网络结构，再加载原模型的权重（需保证层名称或维度匹配）：

# 定义新的模型结构
custom_model = tf.keras.Sequential([
    tf.keras.layers.Dense(128, activation='relu', input_shape=(your_input_shape,)),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

# 按层名称加载原模型权重，自动跳过不匹配的层
custom_model.load_weights(filepath, by_name=True)

3. 微调模型（若有新数据集） #

如果需要对编辑后的模型进行训练，你可以准备新的数据集，冻结部分层后微调其他层，无需依赖原始训练数据。

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