如何在Java中使用Python训练的TensorFlow Keras图像识别模型

你遇到的两个报错均来自Deeplearning4j对新版Keras特性的兼容不足，可按以下两种路径解决：

方案1：调整Python端代码适配Deeplearning4j导入规则 #

• 移除模型内的Rescaling预处理层，将归一化逻辑外置：训练阶段手动对数据集做像素值/255的归一化处理，推理阶段在Java端对输入的BufferedImage做同样的归一化操作即可。
• 调整损失函数声明方式：模型编译时用字符串格式声明损失，同时建议在最后一层增加Softmax激活适配常规推理逻辑，修改后的核心代码如下：

model = Sequential([
  # 移除Rescaling层，input_shape直接写(30,30,3)
  layers.Conv2D(10, 3, padding='same', activation='relu', input_shape=(30, 30, 3)),
  layers.MaxPooling2D(),
  layers.Conv2D(15, 3, padding='same', activation='relu'),
  layers.MaxPooling2D(),
  layers.Conv2D(20, 3, padding='same', activation='relu'),
  layers.MaxPooling2D(),
  layers.Dropout(0.2),
  layers.Flatten(),
  layers.Dense(64, activation='relu'),
  layers.Dense(num_classes, activation='softmax')
])

model.compile(
  optimizer='adam',
  loss='sparse_categorical_crossentropy',
  metrics=['accuracy']
)

• 导出模型时优先选择HDF5格式，确保没有自定义层和自定义损失。

方案2：更换Java端调用方案，兼容性更强 #

推荐直接使用TensorFlow官方Java API加载模型，无需修改Python训练代码，所有Keras层和损失函数都能完美兼容，调用示例如下：

import org.tensorflow.SavedModelBundle;
import org.tensorflow.Tensor;
import org.tensorflow.ndarray.Shape;
import org.tensorflow.ndarray.FloatNdArray;
import org.tensorflow.ndarray.NdArrays;
import java.awt.image.BufferedImage;
import javax.imageio.ImageIO;
import java.io.File;

public class TfModelTest {
    public static void main(String[] args) throws Exception {
        // Python端先导出为SavedModel格式：model.save("saved_model")
        try (SavedModelBundle model = SavedModelBundle.load("saved_model", "serve")) {
            BufferedImage img = ImageIO.read(new File("testImage.png"));
            // 构造输入张量，尺寸为[1, 30, 30, 3]，同时做归一化处理
            FloatNdArray input = NdArrays.ofFloats(Shape.of(1, 30, 30, 3));
            for (int h = 0; h < 30; h++) {
                for (int w = 0; w < 30; w++) {
                    int rgb = img.getRGB(w, h);
                    input.setFloat((rgb >> 16 & 0xff)/255f, 0, h, w, 0);
                    input.setFloat((rgb >> 8 & 0xff)/255f, 0, h, w, 1);
                    input.setFloat((rgb & 0xff)/255f, 0, h, w, 2);
                }
            }
            // 执行推理
            try (Tensor<Float> output = model.session().runner()
                    .feed("serving_default_input_1", Tensor.of(input))
                    .fetch("StatefulPartitionedCall")
                    .run()
                    .get(0)
                    .expect(Float.class)) {
                FloatNdArray result = output.asNdArray();
                // 读取分类结果
                System.out.println("预测结果: " + result);
            }
        }
    }
}

两种方案相比更推荐方案2，不需要调整已训练好的模型结构和训练逻辑，稳定性和兼容性更高。

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