TensorFlow1.15训练的ResNet50权重无法在2.4版本加载怎么办

你遇到的权重不兼容不是ResNet50本身的网络结构、参数量有调整，本质是两个版本的权重存储规则差异：

• 旧环境（TensorFlow/Keras 1.15）下的独立Keras实现，卷积层权重默认按 (输出通道数, 输入通道数, 卷积核高度, 卷积核宽度) 的顺序存储，且残差块内的层命名、存储顺序和TF2.4内置的tf.keras实现有细微差异。
• 当前TF2.4环境下的tf.keras.applications.ResNet50，卷积层权重默认按channels_last的规则存储，也就是 (卷积核高度, 卷积核宽度, 输入通道数, 输出通道数)，同时层命名顺序有调整，直接全量匹配加载就会触发形状不兼容的报错。

方案1：旧环境转换权重（零代码改动，最稳妥） #

• 临时搭建和训练时完全一致的TF1.15环境，用你原来的模型构建代码完整加载旧的h5权重。
• 加载完成后，用兼容格式重新保存权重：

  import tensorflow.compat.v1 as tf
  tf.disable_v2_behavior()
  # 模型加载完成后，执行保存
  model.save("converted_resnet50.h5", save_format="h5")
  # 跨版本兼容性更高的SavedModel格式
  tf.keras.models.save_model(model, "converted_resnet50_saved_model")
  

• 回到当前TF2.4环境，直接用转换后的权重文件替换原旧权重路径，不需要修改任何模型构建代码即可正常加载。

方案2：无旧环境手动适配（无需回退环境） #

如果没有旧的TF1.15环境，可以在当前TF2.4环境下直接读取旧权重，逐一对权重做格式转换后赋值给新模型：

• 导入依赖：

  import h5py
  import numpy as np
  from tensorflow.keras.applications.resnet50 import ResNet50
  from tensorflow.keras.models import Model
  from tensorflow.keras.layers import Dense, BatchNormalization, Activation
  

• 构建当前版本的模型结构，注意base_model的weights参数要设为None，不要加载imagenet预训练权重：

  base_model = ResNet50(include_top=False, 
                        weights=None, 
                        input_shape=(img_width, img_height, img_channels), 
                        pooling='avg')
  x = base_model.output
  x = Dense(256)(x)
  x = BatchNormalization()(x)
  x = Activation('relu')(x)
  x = Dense(num_classes, activation='softmax')(x)
  model = Model(inputs=base_model.input, outputs=x)
  

• 读取旧权重、格式转换并赋值：

  with h5py.File("your_old_weight.h5", "r") as f:
      # 提取旧权重里所有带可训练参数的层
      old_layer_groups = f["model_weights"]["layers"]
      old_weight_layers = []
      for layer_name, layer_data in old_layer_groups.items():
          if "weight_names" in layer_data.attrs and len(layer_data.attrs["weight_names"]) > 0:
              old_weight_layers.append(layer_data)
      
      # 提取新模型里所有带可训练参数的层
      new_weight_layers = [layer for layer in model.layers if len(layer.get_weights()) > 0]
  
      # 两个层列表长度完全一致，按索引一一对应赋值
      for old_layer, target_layer in zip(old_weight_layers, new_weight_layers):
          weight_values = []
          for weight_name in old_layer.attrs["weight_names"]:
              weight = np.array(old_layer[weight_name])
              # 仅对卷积层的kernel做维度转置：旧格式(OC, IC, KH, KW) -> 新格式(KH, KW, IC, OC)
              if "kernel" in weight_name and len(weight.shape) == 4:
                  weight = np.transpose(weight, (2, 3, 1, 0))
              weight_values.append(weight)
          # 赋值转换后的权重
          target_layer.set_weights(weight_values)
  

• 赋值完成后，模型已经完全加载旧权重，可以正常保存、推理或继续微调：

  model.save("final_resnet50_tf2.h5")
  

• Dense层、BatchNormalization层的权重维度顺序两个版本完全一致，不需要转置，仅4维卷积核需要做格式转换。
• 不要靠层名字符串匹配找目标层，旧版本和新版本的残差块内的层存储顺序有差异（比如shortcut投影层的排序先后不同），直接按带权重层的顺序一一对应即可，模型整体的层数量、参数量完全一致。
• 如果遇到形状匹配错误，可以打印旧权重转置后的形状，和目标层的get_weights()[0].shape对比，微调索引即可。

内容的提问来源于stack exchange，提问作者Võ Hoàng Trọng