模型导入时遇Concatenate错误：加载保存模型时报形状不匹配

这个问题我之前也碰到过！核心原因是JSON格式只保存模型的结构拓扑，不会固化训练时的固定输入/输出形状信息——你训练时用的是固定尺寸的输入，导致其中一个分支的卷积层输出是固定空间维度（比如(None,12,12,512)），但加载JSON模型时，另一个分支的形状被默认解析为动态的(None,None,None,512)，拼接时自然触发形状不匹配的错误。

下面是几个靠谱的解决方案，按优先级排序：

1. 优先使用完整模型保存格式（推荐） #

别再分开存JSON和权重了，TensorFlow/Keras提供的完整模型保存格式（.h5或SavedModel文件夹）会同时保存结构、权重和形状信息，加载时完全不会有这种问题：

保存时： #

# 保存为.h5格式
model.save('my_trained_model.h5')

# 或者保存为SavedModel格式（更推荐，兼容TF2.x）
model.save('my_trained_model_dir')

加载时： #

from tensorflow.keras.models import load_model

# 加载.h5模型
model = load_model('my_trained_model.h5')

# 或者加载SavedModel
model = load_model('my_trained_model_dir')

2. 必须用JSON加载时，手动固化输入形状 #

如果因为某些原因必须用JSON+权重的方式，那加载时需要手动指定输入形状并构建模型，强制所有分支的形状对齐：

加载步骤： #

from tensorflow.keras.models import model_from_json

# 1. 加载模型结构
with open('model.json', 'r') as f:
    model_json = f.read()
model = model_from_json(model_json)

# 2. 手动指定训练时的输入形状，构建模型（替换成你实际的输入尺寸）
model.build(input_shape=(None, 224, 224, 3))  # 比如你的输入是224x224的RGB图

# 3. 加载权重
model.load_weights('model_weights.h5')

3. 排查模型分支的形状逻辑 #

如果上面的方法没用，你需要检查训练时的模型结构：

• 确认两个拼接分支的卷积操作都是基于固定输入尺寸设计的，比如下采样次数固定，不会出现动态的空间维度
• 训练时打印拼接前两个分支的输出形状（print(branch1.output.shape, branch2.output.shape)），确保都是固定的空间维度（比如(None,12,12,512)）
• 保存JSON前，确保模型已经通过model.build()明确了输入形状，避免结构中存在未确定的动态形状

内容的提问来源于stack exchange，提问作者D.Giunchi