TensorFlow1.15+Keras2.3.1加载h5预训练模型出现Input维度错误如何解决

问题根因 #

你在定义模型时重复声明了输入维度：首先你已经添加了InputLayer指定输入维度，后续每个Dense层又额外传入了不需要的input_shape=(None, xxx)参数，你传入的带None的二维input_shape会被Keras 2.3.x版本解析为包含序列维度的三维输入，导致序列化保存后加载时维度解析异常，输出shape多了一个额外的动态维度。

修复方案 #

方案1：已有训练好的模型，无需重新训练 #

加载模型后手动重建正确输入维度的模型，复用原有权重，代码示例：

from keras.models import Model
from keras import layers as L

dependencies = {
    'precision': precision,
    'recall': recall,
    'f1': f1
}
# 加载原模型
loaded_model = load_model('./tag_prediction_model.h5', custom_objects=dependencies)
# 新建正确维度的输入层
new_input = L.Input(shape=(768,))
# 复用原有模型层的权重
x = loaded_model.layers[0](new_input)
x = loaded_model.layers[1](x)
new_output = loaded_model.layers[2](x)
# 构建修复后的模型
fixed_model = Model(inputs=new_input, outputs=new_output)
# 保持编译参数和原模型一致
fixed_model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy', precision, recall, f1])
# 此时查看summary输出维度为正常的二维结构
fixed_model.summary()

方案2：从模型定义阶段彻底修正，后续保存加载无异常 #

删除多余的input_shape声明，正确的模型定义代码如下：

model = keras.Sequential()
# 仅需在第一层指定输入维度即可，无需给后续层传input_shape
model.add(L.Dense(units=256, activation='relu', input_shape=(768,)))
model.add(L.Dense(units=128, activation='relu'))
# 注意多分类任务搭配categorical_crossentropy损失，最后一层激活函数必须是softmax，漏写会导致结果异常
model.add(L.Dense(units=301, activation='softmax'))
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy', precision, recall, f1])

按上述代码重新训练后保存、加载，输出维度均为正常的(None, 维度数)二维结构，不会再出现多余的None维度。

内容的提问来源于stack exchange，提问作者Nick1899