TensorFlow中如何拼接预训练编解码器构建完整自编码器

你不需要用专门的张量拼接操作来连接两个模型，Keras中模型本身可以作为可调用的层直接串联，两种常用实现方式如下：

方法1：Sequential顺序拼接（最简洁，适合单输入单输出的普通自编码器） #

直接把加载好的编码器、解码器按执行顺序传入Sequential即可，代码如下：

from tensorflow.keras import models

# 加载本地保存的预训练编码器、解码器
encoder = models.load_model('your_encoder_save_path')
decoder = models.load_model('your_decoder_save_path')

# 按编码-解码的顺序拼接为完整自编码器
autoencoder = models.Sequential([
    encoder,
    decoder
])

方法2：Functional API拼接（适合多输入/多输出、带跳连等复杂结构） #

如果你的编码器/解码器不是简单的单输入单输出结构，可以用函数式API手动串联计算流：

from tensorflow.keras import Input, Model

encoder = models.load_model('your_encoder_save_path')
decoder = models.load_model('your_decoder_save_path')

# 定义和编码器输入维度一致的输入占位符
inputs = Input(shape=encoder.input_shape[1:])
# 依次走编码、解码流程
latent_features = encoder(inputs)
reconstructed_outputs = decoder(latent_features)
# 初始化完整端到端模型
autoencoder = Model(inputs=inputs, outputs=reconstructed_outputs)

• 拼接完成后可以直接调用autoencoder.predict(输入图像数据)做端到端的重建推理，也可以直接传入测试数据和标签调用autoencoder.evaluate()计算重建指标，不需要再分步调用编码器、解码器的predict方法。
• 拼接前请确认编码器输出张量的形状和解码器输入张量的形状完全一致，否则运行时会报维度不匹配错误。
• 如果后续需要微调整个自编码器，可以按需冻结部分层权重：比如要固定编码器权重只训练解码器，只要在编译模型前执行encoder.trainable = False即可。
• 你原有分步代码里存在两处笔误：一是加载模型的接口是models.load_model，模块名少写了s；二是解码阶段的输入应该是编码器输出的特征encoded，不是编码器模型本身。

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