Keras中如何为带d_前缀分支的双ResNet加载同一权重文件

嗨，这个问题我之前在做多分支模型迁移学习的时候也遇到过，其实核心就是手动给权重做名称映射就行——毕竟Keras默认是严格按层名匹配加载权重的，你的两个分支层名格式不一样，得自己把无前缀的权重复制一份改成d_前缀的，再加载到模型里。下面是具体的实现步骤：

1. 先把权重文件加载成字典格式 #

首先我们需要把weights.h5里的权重读取出来，存成一个以层名为键、权重数组为值的字典。这里有两种常用方法：

方法1：用h5py直接读取HDF5文件 #

import h5py

weight_dict = {}
with h5py.File('weights.h5', 'r') as f:
    # 遍历权重文件里的所有层
    for layer_name in f.attrs['layer_names']:
        layer_group = f[layer_name]
        # 获取当前层的所有权重（比如卷积核、偏置）
        weights = [layer_group[name][:] for name in layer_group.attrs['weight_names']]
        weight_dict[layer_name] = weights

方法2：通过临时模型加载权重（更直观） #

如果你知道无前缀分支的模型结构，可以先创建一个只包含该分支的临时模型，加载权重后再提取：

import tensorflow as tf

# 先定义只包含无前缀分支的临时模型（和你的Image1分支结构一致）
temp_model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(...),  # 对应conv1
    tf.keras.layers.Conv2D(...),  # 对应conv2
    # 其他对应层...
])
# 加载权重到临时模型
temp_model.load_weights('weights.h5')
# 提取权重字典
weight_dict = {layer.name: layer.get_weights() for layer in temp_model.layers}

2. 复制权重并修改键名 #

现在我们把无前缀的权重复制一份，把键名改成d_开头的格式，比如conv1对应d_conv1：

# 遍历权重字典，添加d_前缀的权重条目
for layer_name in list(weight_dict.keys()):
    # 只处理无前缀的层
    if not layer_name.startswith('d_'):
        d_layer_name = f'd_{layer_name}'
        # 复制权重数组（避免引用同一内存地址）
        weight_dict[d_layer_name] = [w.copy() for w in weight_dict[layer_name]]

3. 将修改后的权重加载到完整模型 #

最后遍历你的完整模型的所有层，把对应的权重设置进去就行：

# 假设你的完整模型是full_model
for layer in full_model.layers:
    # 只处理两个分支的相关层，跳过无关层
    if layer.name.startswith('conv') or layer.name.startswith('d_conv'):
        if layer.name in weight_dict:
            layer.set_weights(weight_dict[layer.name])

注意事项 #

• 确保两个分支的对应层结构完全一致：比如conv1和d_conv1的卷积核数量、输入输出通道数、是否有偏置等参数必须完全相同，否则set_weights会报错。
• 如果你的权重文件里包含了其他无关层的权重，记得在第一步读取时就过滤掉，只保留conv*这类需要的层。

内容的提问来源于stack exchange，提问作者Pekuso