集成VGG19、DenseNet等模型时Keras调用ModelCheckpoint报ValueError

• 该报错和三个模型的拼接操作无直接关联，核心触发原因是两个：
  1. 你直接修改了Keras层的私有属性_name，Keras内部依赖该属性追踪计算图节点，手动修改后破坏了模型序列化时的节点匹配逻辑。训练阶段不会触发模型序列化所以运行正常，调用ModelCheckpoint需要持久化模型时就会报错。
  2. ModelCheckpoint默认配置save_weights_only=False，会尝试保存完整的模型结构+权重，需要对整个模型的计算图做序列化，刚好触发了上述节点标识不匹配的问题。

方案1：仅保存模型权重（最便捷） #

直接修改ModelCheckpoint的参数，开启仅保存权重模式，跳过模型结构序列化步骤：

checkpointer = ModelCheckpoint(
    filepath="/content/drive/MyDrive/ensemble/ensemble-weights.hdf5", 
    verbose=1, 
    save_best_only=True,
    save_weights_only=True
)

后续加载权重时，先初始化和训练时完全一致的模型结构，再调用model.load_weights("/content/drive/MyDrive/ensemble/ensemble-weights.hdf5")即可。

方案2：修正层命名方式，支持完整模型保存 #

不要手动遍历修改层的_name属性，改为在初始化预训练模型时添加name参数，Keras会自动给子模型的所有层添加统一前缀避免重名，不会破坏内部节点标识：

vgg19 = tf.keras.applications.vgg19.VGG19(
    input_shape=IMAGE_SIZE, weights='imagenet', include_top=False,
    name='vgg19' # 新增name参数
)
for layer in vgg19.layers:
    layer.trainable = False

effnetb1 =tf.keras.applications.efficientnet.EfficientNetB1(
    include_top=False, weights='imagenet', input_shape=IMAGE_SIZE,
    name='effnetb1' # 新增name参数
)
for layer in effnetb1.layers:
    layer.trainable=False

densenet=tf.keras.applications.densenet.DenseNet121(
    include_top=False, weights="imagenet", input_shape=IMAGE_SIZE,
    name='densenet' # 新增name参数
)
for layer in densenet.layers:
    layer.trainable=False

修改后原来的ModelCheckpoint配置无需调整，即可正常保存完整模型。

方案3：更换序列化格式 #

如果仍有问题，可将保存格式改为TF2.x原生支持的.keras格式，对嵌套模型的序列化兼容性远高于旧版hdf5格式，只需修改文件后缀即可：

checkpointer = ModelCheckpoint(
    filepath="/content/drive/MyDrive/ensemble/ensemble-weights.keras", 
    verbose=1, 
    save_best_only=True
)

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