如何正确保存MNIST的CNN模型并确保跨Jupyter会话精度一致？

以下是排查和解决该问题的关键步骤：

1. 严格对齐数据预处理流程 #

训练和推理阶段的数据预处理逻辑必须完全一致，这是最常见的问题根源：

• 归一化/标准化：如果训练时对MNIST数据做了x_train = x_train / 255.0的归一化，推理时的测试样本必须执行完全相同的操作，不能省略或使用其他缩放比例（比如除以127.5）。
• 输入形状匹配：确保推理时输入数据的形状与训练时模型接收的输入一致。比如MNIST模型通常接收(28,28,1)的单样本输入，若你的输入是(28,28)，需要用np.expand_dims(img, axis=-1)或img.reshape(-1, 28, 28, 1)扩展维度。

2. 确保模型加载正确 #

• 使用对应API加载：如果用model.save('model.h5')保存模型，加载时必须用keras.models.load_model('model.h5')，不要手动构建模型结构再加载权重（除非你能100%保证权重层的名称和结构完全匹配）。
• 处理自定义组件：若模型包含自定义层、自定义损失函数或度量指标，加载时必须通过custom_objects参数传入这些自定义对象，示例代码：

  from keras.models import load_model
  
  # 假设你有自定义层CustomLayer和自定义损失custom_loss
  model = load_model('model.h5', custom_objects={'CustomLayer': CustomLayer, 'custom_loss': custom_loss})
  

  遗漏自定义组件会导致模型加载时使用默认实现，进而破坏权重匹配。

3. 切换模型至推理模式 #

部分层（如Dropout、BatchNormalization）在训练和推理阶段的行为完全不同：

• Keras加载模型后默认处于推理模式，但如果后续手动执行了model.trainable = True或重新编译了模型，可能会切换回训练模式。此时需要在推理前明确设置：

  model.trainable = False
  # 或者调用eval模式（TensorFlow Keras）
  model.compile()  # 重新编译会自动切换为推理模式，无需设置优化器和损失
  

• 确保调用model.predict()时，输入数据的预处理和训练时一致，且没有意外触发训练模式的操作。

4. 验证模型保存的完整性 #

• 检查H5文件：如果保存过程中出现中断（如Jupyter内核崩溃），可能导致H5文件损坏。可以重新保存一次模型，确保保存代码执行完毕无报错后再关闭会话。
• 尝试SavedModel格式：H5格式对复杂模型的兼容性较差，建议改用SavedModel格式保存和加载：

  # 保存
  model.save('mnist_cnn_model')
  # 加载
  loaded_model = keras.models.load_model('mnist_cnn_model')
  

  该格式会保存完整的模型结构、权重、优化器状态和配置，兼容性更强。

内容的提问来源于stack exchange，提问作者Aqib