如何获取tf.keras.models.save_model()保存模型的源代码？

tf.keras.models.save_model() 默认导出的是SavedModel格式，这个格式只会存储模型的计算图拓扑、权重参数、训练时的编译配置（损失函数、优化器状态这类），本身就不包含你编写模型的原始Python源代码，加载后看不到源码是正常情况，不是加载出错。
要基于这种已保存的模型做调整开发，按你手里有没有原始源码分情况处理即可。

• 直接在原始源码上修改结构、调整逻辑即可，不需要从头重新训练，之前训好的权重可以直接复用
• 操作步骤：
  • 先完成新模型的代码编写，注意需要复用旧权重的层，层名、输入输出维度必须和旧模型对应层完全一致
  • 调用权重加载接口把旧模型的权重读入新结构，仅新增、修改的部分需要后续微调
  • 加载权重时加by_name=True、skip_mismatch=True参数，可以自动跳过名字不匹配、结构不匹配的层，不会因为你改了部分结构直接报错
• 参考代码：

import tensorflow as tf
from tensorflow.keras import layers

# 这里是你修改后的新模型代码，比如把原来的10分类输出改成5分类
new_model = tf.keras.Sequential([
    layers.Conv2D(32, 3, activation='relu', name='conv_1'), # 和旧模型对应层层名保持一致
    layers.MaxPooling2D(2),
    layers.Flatten(),
    layers.Dense(64, activation='relu', name='dense_1'), # 和旧模型对应层层名保持一致
    layers.Dense(5, activation='softmax', name='new_output') # 新修改的输出层
])

# 加载旧模型权重，匹配的层自动载入，不匹配的新层跳过
new_model.load_weights(
    './your_old_saved_model_dir',
    by_name=True,
    skip_mismatch=True
)

# 加载完成就可以正常做微调、推理，不需要从头训练

• 这种情况没法直接还原你当初写的原始源码（你写的注释、自定义层的非计算逻辑、业务相关代码根本没存在模型文件里，别找工具瞎试，找不回来的），但可以基于加载后的模型对象做二次开发
• 轻量修改的操作方式：
  • 正常用tf.keras.models.load_model() 加载旧模型，把整个旧模型当成一个可复用的模块嵌入新结构
  • 按需求冻结旧模型的全部/部分层，在旧模型的输入输出端拼接新的层结构，完成你要的逻辑修改
• 参考代码：

old_model = tf.keras.models.load_model('./your_old_saved_model_dir')
old_model.trainable = False # 先冻结旧模型权重，不想微调就不用改

# 搭建新模型
inputs = tf.keras.Input(shape=old_model.input_shape[1:])
x = old_model(inputs, training=False) # 把加载的旧模型当成单独一层调用
# 加你需要的新结构，比如加正则层、换输出头
x = layers.Dropout(0.2)(x)
new_output = layers.Dense(5, activation='softmax')(x)
new_model = tf.keras.Model(inputs, new_output)

# 编译后就可以正常训练、推理

• 如果需要大改模型内部结构，可以先调用old_model.summary() 查看每一层的维度、参数、连接关系，手动反推写出结构代码，再用方案1的方式加载权重，就是工作量稍大。

后续存模型建议多做一步：除了存SavedModel格式用于部署，单独用model.save_weights()存一份权重文件，同时备份好模型结构的源码文件，这是最稳妥的方式，不会出现想改代码找不到源文件的问题。

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