tf.keras.models.load_model参数及模型权重恢复失败求助

问题背景 #

作为Python新手，配置Keras模型权重的保存与恢复时遇到问题：训练彩票预测模型时，老旧电脑在900轮后会随机冻结，因此使用ModelCheckpoint保存权重以实现断点续训，但加载权重后模型准确率仅0.08%（之前训练曾达60%），仿佛回到初始状态。

相关代码 #

检查点配置

checkpoint_filepath="/home/ubuntu/Downloads/Lottery/checkpoints/lottery/"
model_checkpoint_callback = ModelCheckpoint(
    filepath=os.path.join(checkpoint_filepath,"weights-improvement.hd5"),
    monitor='val_accuracy',
    verbose=1,
    save_best_only=True,
    save_weights_only=True,
    save_freq='epoch',
    mode='max')
es = EarlyStopping(monitor='val_accuracy', patience=5)
callbacks_list = [model_checkpoint_callback, es]

模型加载代码

model.load_weights("/home/ubuntu/Downloads/Lottery/checkpoints/lottery/weights-improvement.hd5")
loss, acc = model.evaluate(train_samples, train_labels, verbose=2)
print("Restored model, accuracy: {:5.2f}%".format(100 * acc))
load_model('/home/ubuntu/Downloads/Lottery/lottery/')

模型训练代码

model.fit(x=x_train, y=y_train, batch_size=32, epochs=1200, verbose=2, callbacks=[model_checkpoint_callback], validation_split=0.22)

model.save('lottery')

错误分析 #

• 加载顺序错误，权重被覆盖：加载代码中，先执行model.load_weights()加载了训练好的权重，随后调用的load_model()会创建新的模型实例并加载该模型文件中的权重，直接覆盖了之前加载的checkpoint权重，导致最终使用的是lottery模型的权重（可能为初始或训练早期权重），因此准确率回到初始状态。
• 断点续训未指定起始轮次：即使正确加载了权重，若继续训练时未设置initial_epoch参数，模型会从第0轮重新训练，覆盖已加载的权重。

正确解决方案 #

1. 修正权重加载流程 #

删除加载代码中多余的load_model()调用，确保加载的checkpoint权重不被覆盖。如果需要先加载模型结构，可先加载完整模型再覆盖权重：

方式一：先构建模型结构，再加载权重

# 先编写与训练时完全一致的模型构建代码，例如：
# model = Sequential([
#     Dense(64, activation='relu', input_shape=(input_dim,)),
#     Dense(32, activation='relu'),
#     Dense(num_classes, activation='softmax')
# ])
# model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

# 加载checkpoint权重
model.load_weights("/home/ubuntu/Downloads/Lottery/checkpoints/lottery/weights-improvement.hd5")
# 评估模型
loss, acc = model.evaluate(train_samples, train_labels, verbose=2)
print("Restored model, accuracy: {:5.2f}%".format(100 * acc))
# 继续训练（假设之前训练到899轮）
model.fit(x=x_train, y=y_train, batch_size=32, epochs=1200, 
          verbose=2, callbacks=[model_checkpoint_callback], 
          validation_split=0.22, initial_epoch=899)

方式二：先加载完整模型，再覆盖最优权重

from tensorflow.keras.models import load_model

# 加载之前保存的完整模型
model = load_model('/home/ubuntu/Downloads/Lottery/lottery/')
# 加载checkpoint中的最优权重
model.load_weights("/home/ubuntu/Downloads/Lottery/checkpoints/lottery/weights-improvement.hd5")
# 评估或继续训练

2. 断点续训的关键配置 #

继续训练时，必须通过initial_epoch参数指定起始轮次，避免模型从第0轮重新训练：

# 例如之前训练到899轮，设置initial_epoch=899，模型会从第900轮开始训练
model.fit(..., initial_epoch=899)

3. tf.keras.models.load_model正确参数说明 #

load_model用于加载完整模型（结构、权重、优化器状态等），核心参数：

• filepath：必填，模型保存的路径（如你之前保存的lottery文件夹路径）
• compile：可选，默认True，加载时是否编译模型，仅做预测时可设为False
• custom_objects：可选，若模型使用了自定义层、损失函数，需在此指定映射，例如custom_objects={'my_custom_loss': my_loss_func}

内容的提问来源于stack exchange，提问作者Wisdom