EfficientNetB0加载本地预训练h5权重时报层数不匹配错误如何解决

你使用的Keras 2.6.0版本内置的EfficientNetB0网络结构，和你下载的h5权重对应的旧版本结构存在细微差异：2.6.0版本的EfficientNet默认新增了1层内置预处理层，所以模型总层数为131层，而你下载的权重对应旧版本结构没有该预处理层，总层数为130层，因此出现层数不匹配报错。

按以下两种方案任选其一即可：

方案1：按层名匹配加载权重 #

初始化无权重的模型后，加载权重时添加by_name=True参数，仅匹配名称一致的核心层权重，自动跳过不匹配的新增层，代码修改如下：

from tensorflow.keras.applications import EfficientNetB0
from tensorflow.keras.layers import Input

# 先初始化无预训练权重的基础模型
basemodel = EfficientNetB0(weights=None, include_top=False, input_tensor=Input(shape=(224,224,3)))
# 加载本地权重，按层名匹配，跳过结构不匹配的层
basemodel.load_weights(r"C:\path\filename.h5", by_name=True)

该方案不会影响核心特征提取层的权重加载，对模型效果几乎无影响。

方案2：对齐模型结构 #

如果不想跳过层，可关闭2.6.0版本EfficientNet默认开启的内置预处理层，和旧版本权重的结构完全对齐后直接加载权重：

from tensorflow.keras.applications import EfficientNetB0
from tensorflow.keras.layers import Input

basemodel = EfficientNetB0(
    weights=None, 
    include_top=False, 
    input_tensor=Input(shape=(224,224,3)),
    # 关闭内置预处理层，和旧版本结构完全匹配
    include_preprocessing=False
)
# 无需加by_name参数即可直接加载权重
basemodel.load_weights(r"C:\path\filename.h5")

使用该方案需要注意：你需要自行在数据输入前添加对应的数据预处理逻辑，避免精度下降。

• 两种方案都不会影响EfficientNetB0的特征提取能力
• 如果你本身已经在数据pipeline中实现了归一化等预处理步骤，优先选择方案2，避免重复预处理

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