加载H5格式CNN模型后继续训练时遇到Eager Execution相关报错问题

看起来你遇到的问题有点棘手——明明日志显示Eager Execution已经启用，但加载现有H5模型后调用model.fit()时还是触发了numpy() is only available when eager execution is enabled的报错。结合你的代码和报错信息，我来帮你分析可能的原因和解决办法：

可能的原因分析 #

这个报错的核心矛盾点在于：当前环境确实是Eager模式，但代码中某一步在尝试将图模式张量转换为Numpy数组（图张量在非Eager模式下无法调用numpy()）。结合你的代码逻辑，问题大概率出在两个地方：

1. 加载的H5模型中保存的优化器状态是在图模式下序列化的，加载到Eager环境后无法正常兼容；
2. 加载现有模型时重新读取的数据集x_train/y_train不是Numpy数组，而是图模式生成的张量。

具体解决办法 #

1. 重新编译加载的模型，避免优化器兼容性问题 #

当你用tf.keras.models.load_model()加载保存的H5模型时，模型会连同之前的优化器状态一起加载。如果模型是在图模式下保存的（或者优化器是在图模式下初始化的），即使当前环境是Eager，优化器的状态也可能无法正确适配，导致fit()过程中触发张量转换错误。

修改你加载模型的代码，显式禁用自动编译，然后在当前Eager环境下重新编译模型：

if USE_EXISTING_MODELS and os.path.exists(f"models/{model_name}.h5"):
    # 加载模型但不自动编译，避免旧优化器状态的兼容性问题
    model = tf.keras.models.load_model(f"models/{model_name}.h5", compile=False)
    # 根据你的任务需求重新编译模型（这里假设是分类任务，可根据实际情况调整）
    model.compile(
        optimizer="adam",  # 或者你原来用的优化器，比如SGD
        loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),  # 对应你的任务损失函数
        metrics=["accuracy"]
    )
    # 读取数据集
    (x_train, y_train), (x_test, y_test) = model_handler.load_data()
else:
    # 原来的模型创建逻辑保持不变
    if model_name == "base_model":
        model = model_handler.create_cnn()
    else:
        model = model_handler.create_cnn(batch_normalisation=True)

2. 确保加载的数据集是Numpy数组 #

在加载现有模型的分支里，你重新调用了model_handler.load_data()，要确保这个方法返回的是Numpy数组，而不是TensorFlow的图模式张量。如果你的数据加载逻辑是基于图模式的（比如用tf.data.Dataset且没有转换为Numpy），可以显式将数据转换为Numpy数组：

# 在加载数据后添加转换逻辑
(x_train, y_train), (x_test, y_test) = model_handler.load_data()
# 转换为Numpy数组（确保在Eager模式下执行）
x_train = tf.convert_to_tensor(x_train).numpy()
y_train = tf.convert_to_tensor(y_train).numpy()
x_test = tf.convert_to_tensor(x_test).numpy()
y_test = tf.convert_to_tensor(y_test).numpy()

3. 修正代码中的小笔误 #

你的代码里有个重复赋值的小问题：model = model = tf.keras.models.load_model(...)，虽然不影响运行，但还是建议改成model = tf.keras.models.load_model(f"models/{model_name}.h5")，保持代码整洁。

验证修改效果 #

修改完成后，重新运行代码：

• 确保日志依然输出Eager enabled: True；
• 加载现有模型后调用model.fit()时，应该不会再触发numpy()相关的报错；
• 训练完成后，模型依然可以正常保存为H5格式。

备注：内容来源于stack exchange，提问作者Arief Kurniawan