Keras：加载.h5模型后如何从零开始重新训练（重置权重）

核心操作思路 #

加载预训练的.h5模型后，通过重置所有层的权重，就能保留模型的网络结构、损失函数、优化器设置，同时清除原有训练的参数，实现从零开始在新数据集上训练。

具体步骤 #

1. 加载预训练模型

先通过load_model加载你的.h5模型文件：

from keras.models import load_model

# 替换为你的模型文件路径
model = load_model('pretrained_model.h5')

2. 重置模型权重

根据你的Keras版本，选择以下两种方法之一：

方法一：使用reset_weights()（推荐，Keras 2.10及以上版本）

Keras 2.10+为所有内置层提供了reset_weights()方法，一键重置权重：

# 遍历模型的每一层，重置权重
for layer in model.layers:
    layer.reset_weights()

方法二：手动初始化权重（兼容旧版Keras）

如果你的Keras版本较低，没有reset_weights()方法，可以手动重新初始化各层的权重参数：

import keras.backend as K

for layer in model.layers:
    # 处理带核与偏置的层（如Dense、Conv2D）
    if hasattr(layer, 'kernel_initializer') and hasattr(layer, 'bias_initializer'):
        # 重新初始化核权重
        K.set_value(layer.kernel, layer.kernel_initializer(shape=layer.kernel.shape))
        # 重新初始化偏置
        K.set_value(layer.bias, layer.bias_initializer(shape=layer.bias.shape))
    # 处理BatchNormalization这类带gamma和beta的层
    elif hasattr(layer, 'gamma_initializer') and hasattr(layer, 'beta_initializer'):
        K.set_value(layer.gamma, layer.gamma_initializer(shape=layer.gamma.shape))
        K.set_value(layer.beta, layer.beta_initializer(shape=layer.beta.shape))

3. 重新训练模型

权重重置完成后，直接使用model.fit()在新数据集上训练即可，无需重新搭建网络结构。如果需要调整优化器、损失函数等编译参数，可以重新编译后再训练：

# 可选：重新编译模型（按需修改优化器、损失函数）
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 开始训练新数据集
model.fit(train_data, train_labels, epochs=50, batch_size=32)

注意事项 #

• 若模型包含自定义层，需确保自定义层实现了权重重置逻辑，或能通过初始化方法重新生成权重。
• 重置权重不会改变模型的结构、输入输出形状、编译参数（如损失函数、优化器），仅清除训练得到的参数值。

内容的提问来源于stack exchange，提问作者Sagi Mann