如何避免合并代码修改PB模型输入层时添加keras_learning_phase节点

我之前也碰到过类似的情况，Keras的learning phase节点确实容易在合并代码时“偷偷”混入计算图里，哪怕调用了K.clear_session()也不一定能彻底解决。给你几个亲测有效的方法：

1. 显式强制设置推理模式（最直接） #

Keras的learning_phase是一个全局开关，控制模型处于训练还是推理模式。如果在转换前没有明确设置为推理模式，Keras可能会自动生成这个节点。你可以在加载H5模型之前就执行：

from keras import backend as K

# 设置为推理模式（0代表推理，1代表训练）
K.set_learning_phase(0)

这样整个转换过程都会在推理模式下进行，不会生成keras_learning_phase相关节点。

2. 转换PB时只保留必要的输出节点 #

即使计算图里出现了多余节点，你可以在导出冻结图时，明确指定要保留的输出节点，这样无关节点会被自动过滤掉。示例代码：

import tensorflow as tf
from keras import backend as K
from tensorflow.python.framework.graph_util import convert_variables_to_constants

# 加载模型、修改输入层...
model = tf.keras.models.load_model('your_model.h5')
# 修改输入层形状为[None, None, c]
model.layers[0].input_spec = tf.keras.layers.InputSpec(shape=[None, None, model.input_shape[-1]])

# 获取模型的输出节点名称
output_node_names = [node.op.name for node in model.outputs]

# 冻结图时只保留输出节点相关的部分
with K.get_session() as sess:
    frozen_graph_def = convert_variables_to_constants(
        sess,
        sess.graph_def,
        output_node_names=output_node_names
    )
    # 保存PB文件
    tf.train.write_graph(frozen_graph_def, './', 'model_frozen.pb', as_text=False)

这种方式会裁剪掉所有和输出节点无关的计算图分支，包括多余的keras_learning_phase节点。

3. 改用TensorFlow SavedModel格式中转（最规范） #

直接转PB容易出现Keras和TensorFlow的兼容性问题，不如先把H5模型转成TensorFlow标准的SavedModel格式，再从SavedModel导出冻结图：

import tensorflow as tf

# 加载H5模型
model = tf.keras.models.load_model('your_model.h5')
# 修改输入层形状
model.layers[0].input_spec = tf.keras.layers.InputSpec(shape=[None, None, model.input_shape[-1]])
# 保存为SavedModel
tf.saved_model.save(model, './saved_model_dir')

# 从SavedModel导出冻结图
converter = tf.compat.v1.lite.TFLiteConverter.from_saved_model('./saved_model_dir')
graph_def = converter.get_concrete_function().graph.as_graph_def()
# 保存PB文件
tf.io.write_graph(graph_def, './', 'model_from_saved.pb', as_text=False)

SavedModel是TensorFlow的官方序列化格式，会自动处理Keras的内部状态，生成的计算图更干净，基本不会出现多余节点。

4. 严格管理TensorFlow会话 #

合并代码后可能出现会话管理混乱的情况，导致残留的节点状态。建议显式用with块管理会话，确保资源正确释放：

import tensorflow as tf
from keras import backend as K

# 显式创建并管理会话
with tf.Session() as sess:
    K.set_session(sess)
    # 加载模型、修改输入层、转换PB的操作都放在这个块里
    model = tf.keras.models.load_model('your_model.h5')
    model.layers[0].input_spec = tf.keras.layers.InputSpec(shape=[None, None, model.input_shape[-1]])
    # ...转换PB代码...

# 会话自动关闭后再清理Keras会话
K.clear_session()

这种方式能避免多个会话并存导致的节点残留问题。

试试上面的方法，应该能解决keras_learning_phase节点的问题。

内容的提问来源于stack exchange，提问作者Coco Yen