如何使用训练好的Keras模型做预测且无需安装TensorFlow？

一、转换模型格式规避TensorFlow依赖 #

由于你当前的.h5模型是TensorFlow Keras格式，加载时会绑定TensorFlow依赖，转换为轻量兼容格式是最直接的解决办法，以下是两种可行方案：

1. 转成纯Keras格式（基于Keras Core） #

现在Keras已经独立为Keras Core，完全不依赖TensorFlow，体积小巧。你可以在自己有TensorFlow的环境里先转格式，再给同事使用：

• 你的环境操作（需要TensorFlow）：

import keras_core as keras
# 加载原.h5模型
model = keras.models.load_model("your_model.h5")
# 保存为纯Keras专属格式
model.save("pure_keras_model.keras")

• 同事的环境操作（仅需装Keras Core）：

pip install keras-core

import keras_core as keras
# 直接加载模型，无需TensorFlow
model = keras.models.load_model("pure_keras_model.keras")
# 执行预测
predictions = model.predict(input_data)

这个方案的优势是API和原有Keras完全一致，同事不需要改代码逻辑，学习成本极低。

2. 转成ONNX格式（跨框架轻量推理） #

ONNX是通用模型格式，搭配轻量的ONNX Runtime就能完成推理，完全脱离TensorFlow/Keras的训练依赖：

• 你的环境操作（需要TensorFlow和tf2onnx）：

pip install tf2onnx

import tensorflow as tf
# 先把.h5转成TensorFlow SavedModel格式
model = tf.keras.models.load_model("your_model.h5")
model.save("temp_saved_model")
# 再转成ONNX格式
!python -m tf2onnx.convert --saved-model temp_saved_model --output model.onnx

• 同事的环境操作（仅需装ONNX Runtime）：

pip install onnxruntime

import onnxruntime as ort
import numpy as np

# 加载ONNX模型
sess = ort.InferenceSession("model.onnx")
input_name = sess.get_inputs()[0].name
output_name = sess.get_outputs()[0].name

# 准备符合模型要求的输入数据（形状、 dtype要匹配）
input_data = np.random.randn(1, 224, 224, 3).astype(np.float32)
# 执行预测
predictions = sess.run([output_name], {input_name: input_data})

这个方案的优势是推理引擎体积极小，适合对环境要求苛刻的场景，且跨框架兼容性强。

二、直接加载原.h5模型的尝试（不推荐） #

如果你的模型完全是用纯Keras（而非TensorFlow Keras）训练的，理论上可以让同事装Keras Core后直接加载，但实际中TensorFlow Keras保存的.h5模型几乎都会包含TensorFlow专属操作，大概率会报错。如果要尝试，代码如下：

import keras_core as keras
try:
    model = keras.models.load_model("your_model.h5")
except Exception as e:
    print("模型包含TensorFlow特有操作，必须转换格式")

三、方案选择建议 #

• 优先选纯Keras格式转换：操作简单，API兼容原有代码，同事上手最快。
• 追求极致轻量选ONNX格式：完全脱离训练框架依赖，推理速度也有保障。

内容的提问来源于stack exchange，提问作者lmhamilt