使用Keras加载重训练VGG16模型时出现ValueError问题求助

错误根源 #

你遇到的ValueError本质是模型保存/加载时的权重形状不匹配：你的自定义模型最后一层是Dense(3)（输入维度4096，对应VGG16倒数第二层的输出），但加载时Keras尝试匹配原VGG16最后一层Dense(1000)的权重形状（输入维度1000），导致冲突。

这是因为你直接复制VGG16的所有层到Sequential模型后再pop()最后一层的操作，并没有完全清除原模型的权重元数据绑定——原VGG16的最后一层权重信息仍残存在模型的内部映射中，保存时被写入HDF5文件，加载时就会和新添加的Dense(3)层的期望形状冲突。

正确的模型构建方式 #

推荐两种避免该问题的构建方法，优先选择Functional API（更灵活清晰）：

方法1：使用Functional API（推荐）

这种方式直接基于VGG16的特征输出构建新模型，完全规避原分类层的干扰：

from keras.applications.vgg16 import VGG16
from keras.models import Model
from keras.layers import Dense
from keras.optimizers import Adam

# 加载预训练VGG16，不包含顶部的1000类全连接层，用全局平均池化压缩特征
vgg16_base = VGG16(weights='imagenet', include_top=False, pooling='avg')

# 冻结所有预训练层
for layer in vgg16_base.layers:
    layer.trainable = False

# 添加自定义3分类层
x = vgg16_base.output
predictions = Dense(3, activation='softmax')(x)

# 构建完整模型
model = Model(inputs=vgg16_base.input, outputs=predictions)

# 编译模型
model.compile(Adam(lr=.0001), loss='categorical_crossentropy', metrics=['accuracy'])

方法2：改进版Sequential构建

如果坚持用Sequential，直接跳过VGG16的最后一层，而不是添加后再删除：

from keras.applications.vgg16 import VGG16
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import Adam

vgg16_model = VGG16()
model = Sequential()

# 只添加VGG16的前len(vgg16_model.layers)-1层（自动跳过最后一层Dense(1000)）
for layer in vgg16_model.layers[:-1]:
    model.add(layer)

# 冻结所有预训练层
for layer in model.layers:
    layer.trainable = False

# 添加自定义3分类层
model.add(Dense(3, activation='softmax'))

# 编译模型
model.compile(Adam(lr=.0001), loss='categorical_crossentropy', metrics=['accuracy'])

验证保存与加载 #

用上述任意一种方法构建并训练模型后，再执行保存和加载操作：

# 保存模型
model.save('my_model_vgg16.h5')

# 重启内核后加载模型
from keras.models import load_model
loaded_model = load_model('my_model_vgg16.h5')

此时加载模型不会再出现形状不匹配的错误，因为模型的权重元数据完全对应你自定义的结构。

内容的提问来源于stack exchange，提问作者AaronDT