TensorFlow训练CNN模型保存后加载失效问题求助

嘿，我之前也踩过类似的坑，咱们一步步来排查和解决这个问题：

1. 最常见的原因：图像预处理不一致 #

训练模型时你肯定对输入图像做了标准化、尺寸调整这类预处理操作，但预测时如果没严格复刻这些步骤，输入数据的分布和训练时完全不同，模型自然会像“没训练过”一样输出乱结果。

比如训练时你可能写了这样的预处理代码：

def train_preprocess(img):
    # 调整到训练时的输入尺寸
    img = tf.image.resize(img, (224, 224))
    # 归一化到0-1区间
    img = img / 255.0
    # 可能还有其他操作，比如通道转换（注意：不要在预测时用随机数据增强！）
    return img

那预测时必须完全复用同样的逻辑，只保留确定性的预处理（去掉训练时的随机翻转、裁剪等增强操作）：

def predict_preprocess(img_path):
    img = tf.keras.preprocessing.image.load_img(img_path, target_size=(224, 224))
    img_array = tf.keras.preprocessing.image.img_to_array(img)
    # 增加批量维度（模型默认接受批量输入）
    img_array = tf.expand_dims(img_array, axis=0)
    # 和训练时一致的归一化
    img_array = img_array / 255.0
    return img_array

重点要确认：尺寸、归一化方式、通道顺序（比如是RGB还是BGR）是否和训练时完全匹配。

2. 模型加载时遗漏自定义组件 #

如果你的CNN模型里用到了自定义层、自定义损失函数或者自定义指标，直接用tf.keras.models.load_model('example.h5')加载时，TensorFlow找不到这些自定义代码的定义，会导致模型加载不完整（相当于初始化了一个新的空模型）。

解决办法是加载时通过custom_objects参数指定这些自定义组件：

# 先导入你的自定义层/损失函数
from my_custom_modules import MyCustomConvLayer, my_focal_loss

# 加载时传入custom_objects
model = tf.keras.models.load_model(
    'example.h5',
    custom_objects={'MyCustomConvLayer': MyCustomConvLayer, 'my_focal_loss': my_focal_loss}
)

你可以检查一下训练代码里有没有自定义的组件，有的话一定要在加载时传入。

3. 模型文件损坏 #

下载example.h5文件时可能因为网络中断、存储问题导致文件不完整，加载后的模型权重和训练完成时的完全不一致。

你可以做两个验证：

• 对比云端（比如Colab）和本地的example.h5文件大小，如果差距很大，说明下载出错，重新下载；
• 训练完成后，打印某一层的权重均值（比如print(model.layers[0].get_weights()[0].mean())），加载本地模型后再打印同一层的权重均值，如果数值完全不同，说明文件损坏，重新保存并下载。

4. TensorFlow版本不兼容 #

训练模型用的TensorFlow版本和Flask后端的版本差异过大（比如一个是2.10，一个是2.20），可能会导致h5模型的权重加载异常。

解决办法是确保两边使用完全相同的TensorFlow版本，比如训练时用pip install tensorflow==2.15.0，Flask后端也安装同一个版本：

pip install tensorflow==2.15.0

5. 预测输入形状不匹配 #

训练时模型的输入形状比如是(224, 224, 3)，但预测时传入的图像形状不对（比如尺寸是(100,100,3)，或者没有批量维度），模型可能自动调整但输出错误结果。

确保预测时的输入形状和训练时一致：

• 用tf.image.resize把图像调整到训练时的目标尺寸；
• 用tf.expand_dims增加批量维度（因为模型默认接受批量输入，形状为(batch_size, height, width, channels)）。

内容的提问来源于stack exchange，提问作者user12498862