如何为TensorFlow模型添加新层？能否修改已导出的protobuf模型？

嘿，针对你提出的两个TensorFlow相关问题，我来给你详细解答：

这得分两种常见情况处理，核心取决于你保存模型的格式：

• 情况1：模型是Keras格式（.h5 或 SavedModel）
  如果你的模型是用Keras API训练并保存的，添加新层非常直观。你可以先加载原模型，把原模型的输出当作新层的输入，直接拼接出一个新模型。举个实际代码例子：

  import tensorflow as tf
  
  # 加载预训练好的Keras模型
  original_model = tf.keras.models.load_model('path/to/your/trained_model')
  
  # 可选：冻结原模型权重，避免微调时破坏已训练好的参数
  original_model.trainable = False
  
  # 拼接新层：比如先加一个ReLU激活的全连接层，再加输出层
  x = original_model.output
  x = tf.keras.layers.Dense(128, activation='relu')(x)
  new_output = tf.keras.layers.Dense(5, activation='softmax')(x)
  
  # 构建新模型，指定输入和输出
  new_model = tf.keras.models.Model(inputs=original_model.input, outputs=new_output)
  
  # 按需编译并训练新层
  new_model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
  

  这种方式能完整保留原模型的结构和权重，操作灵活，也是最推荐的方式。

• 情况2：模型是冻结的GraphDef格式（.pb文件）
  pb文件是序列化的静态计算图，修改起来稍复杂，但完全可行。你需要先解析pb文件导入计算图，找到原模型的输入输出节点，再在图上添加新操作，最后重新保存修改后的图。示例代码如下：

  import tensorflow as tf
  from tensorflow.core.framework import graph_pb2
  
  # 读取并解析pb文件
  with tf.io.gfile.GFile('path/to/frozen_model.pb', 'rb') as f:
      graph_def = graph_pb2.GraphDef()
      graph_def.ParseFromString(f.read())
  
  # 导入计算图并添加新操作
  with tf.Graph().as_default() as graph:
      tf.import_graph_def(graph_def, name='')
      # 替换成你实际的输入、输出节点名称
      input_tensor = graph.get_tensor_by_name('input_layer:0')
      original_output = graph.get_tensor_by_name('original_output:0')
  
      # 在原输出后添加新的全连接层和输出层
      with tf.compat.v1.Session(graph=graph) as sess:
          new_dense = tf.layers.dense(original_output, 128, activation='relu', name='new_dense_layer')
          new_output = tf.layers.dense(new_dense, 5, activation='softmax', name='final_new_output')
  
          # 保存修改后的计算图
          modified_graph_def = graph.as_graph_def()
          with tf.io.gfile.GFile('path/to/modified_frozen_model.pb', 'wb') as f:
              f.write(modified_graph_def.SerializeToString())
  

  注意这种方式需要你清楚原模型的节点名称，新添加的层权重是随机初始化的，需要重新训练才能生效。

直接给你结论：完全可行，上面问题1的情况2就是具体实现方式。这里再补充几个关键细节：

• 模型导出后结构并非固定死：pb文件本质是序列化的计算图，你可以解析它、修改节点、添加新操作，只要保证数据流合法（比如新操作的输入输出张量维度匹配）就没问题。
• 自定义操作的注意点：如果是TensorFlow原生支持的操作（比如Dense、Conv2D），直接添加毫无障碍；如果是你自己实现的自定义Op（比如C++编写的特殊操作），需要确保加载修改后的模型时，这个自定义Op的定义是可调用的，否则会报错。
• 权重相关说明：原模型的权重已经固化在pb文件中，无法再训练，但新添加的操作权重是初始状态，必须重新训练才能得到有用的参数。

另外你提到“目前仅能找到导出前重新设计模型的方法”，其实导出后修改pb文件是完全可行的，只是步骤比导出前用Keras修改麻烦一些。如果你的自定义操作不复杂，或者需要频繁调整，更推荐在导出前用Keras拼接新层再导出，这样维护起来更省心。

内容的提问来源于stack exchange，提问作者user3085931