如何根据已训练Keras模型反向生成原始模型构建代码？

可直接自动提取的架构参数 #

不需要手动逐层梳理参数，Keras提供了原生接口可以导出全量模型架构配置：

• 所有影响前向计算逻辑的层参数，包括你提到的卷积核大小、膨胀率、步长、填充方式、激活函数、正则项配置，都可以通过模型内置方法导出，执行以下代码即可：

from tensorflow import keras
# 加载你本地的预训练模型文件，支持h5、SavedModel格式
model = keras.models.load_model("your_pretrained_cnn.h5")
# 导出完整模型架构配置字典
full_config = model.get_config()

• 拿到配置字典后，直接调用keras.Model.from_config(full_config)就能重建出和原模型结构完全一致的模型实例，再把原模型的权重通过new_model.set_weights(model.get_weights())赋值给新模型，就能100%复现原模型的推理效果，不需要手动逐行写构建代码。

关于权重初始化方法的获取说明 #

训练完成的模型文件默认不会永久留存权重初始化方法的配置，原因是初始化方法仅在模型第一次创建、生成初始权重的阶段生效，当模型训练完成、权重收敛为固定值后，初始化方法就不再对模型运行产生任何影响，不属于模型推理、微调必须的元信息，Keras保存模型时不会强制留存这部分配置。
你可以先尝试通过层配置查找留存的初始化记录，执行以下代码遍历所有层：

for layer in model.layers:
    layer_config = layer.get_config()
    # 检查配置中是否留存了初始化相关字段
    if "kernel_initializer" in layer_config:
        print(f"层 {layer.name} 记录的卷积核初始化配置：{layer_config['kernel_initializer']}")
    if "bias_initializer" in layer_config:
        print(f"层 {layer.name} 记录的偏置初始化配置：{layer_config['bias_initializer']}")

如果上述代码没有返回对应初始化配置，说明这部分信息在模型保存时已经被丢弃，没有技术手段可以100%反向还原当初使用的初始化方法。如果你的需求是复现模型做推理、微调，完全不需要获取初始化方法——只要拿到训练好的权重，初始化配置不会对模型的推理结果、后续微调效果产生任何影响。

注意事项 #

• 不要依赖model.summary()的输出手动复现模型，summary仅展示层类型、输出形状、参数量，不会展示膨胀率、初始化配置、分组数这类细节参数，手动梳理很容易出现参数错漏。
• 如果模型包含自定义层，加载模型时只需要通过custom_objects参数传入自定义层的类定义，后续导出配置、提取权重的操作逻辑和标准层完全一致。
• 导出的full_config字典可以直接序列化为json文件保存，后续重建模型时直接读取加载即可，不需要依赖原始源码。

内容的提问来源于stack exchange，提问作者Jonathan