Keras训练深度自编码器时，Checkpoint无法加载模型与权重

我帮你梳理一下可能导致这个问题的原因，以及对应的解决办法：

一、先确认权重文件是否真的保存了 #

你说加载返回None，大概率是weights.best.h5根本没生成，或者生成的路径不对。可以按这几点排查：

• 检查save_best_only的逻辑是否生效
  你设置了save_best_only=True，这个参数会只保存"最优"的模型权重，但前提是Keras能判断什么是"最优"：

  • 默认监控的是val_loss，所以你必须在model.fit()里传入validation_data或者validation_split，否则Keras拿不到验证集损失，就不会保存任何权重。
  • 可以明确指定监控指标和mode，比如如果监控训练集loss，就写monitor='loss'，mode设为'min'（因为loss越小越好）；如果监控准确率就用monitor='val_accuracy'，mode设为'max'。
  • 把verbose改成1，这样训练时如果保存了权重，控制台会打印类似Epoch 00003: val_loss improved from 0.56 to 0.42, saving model to weights.best.h5的日志，一眼就能知道有没有保存成功。

  调整后的checkpointer代码：

  checkpointer = ModelCheckpoint(filepath="weights.best.h5", 
                                verbose=1, 
                                save_best_only=True,
                                monitor='val_loss',
                                mode='min')
  

• 检查文件路径是否正确
  用相对路径的话，文件会保存在当前Python工作目录下。你可以用import os; print(os.getcwd())查看当前工作目录，确认weights.best.h5是否在里面。如果不在，换成绝对路径试试，比如filepath="/Users/xxx/Projects/weights.best.h5"。

• 检查权限问题
  如果程序没有目标路径的写入权限，也会导致无法生成权重文件。可以手动在目标路径创建一个文件试试，确认权限没问题。

二、检查加载方式是否正确 #

很多人会误以为load_weights()会返回模型，但其实它是原地修改现有模型的权重，本身返回None是正常的！正确的加载流程应该是这样：

1. 先定义好和训练时完全一致的模型结构：

   input_enc = Input(shape=(input_size,))
   hidden = Dense(64, activation='relu')(input_enc)
   # ... 这里要和你训练时的层结构、参数完全一样
   output_dec = Dense(input_size, activation='sigmoid')(hidden)
   autoencoder = Model(input_enc, output_dec)
   autoencoder.compile(optimizer='adam', loss='mse')
   

2. 调用load_weights()加载权重（返回None是正常的，但权重已经加载到autoencoder里了）：

   autoencoder.load_weights("weights.best.h5")
   

3. 之后直接使用这个autoencoder模型就行，比如做预测：

   pred = autoencoder.predict(your_test_data)
   

如果你想直接加载包含结构和权重的完整模型，可以在ModelCheckpoint里设置save_weights_only=False（默认就是False），然后用load_model()加载：

from keras.models import load_model
autoencoder = load_model("weights.best.h5")  # 这里会返回模型对象，不会是None

三、完整示例代码 #

给你一个能正常运行的自编码器+ModelCheckpoint示例，你可以对照自己的代码找差异：

from keras.layers import Input, Dense
from keras.models import Model
from keras.callbacks import ModelCheckpoint, TensorBoard
import numpy as np

# 模拟输入数据
input_size = 784
x_train = np.random.rand(1000, input_size)
x_val = np.random.rand(200, input_size)

# 构建自编码器
input_enc = Input(shape=(input_size,))
hidden = Dense(64, activation='relu')(input_enc)
output_dec = Dense(input_size, activation='sigmoid')(hidden)
autoencoder = Model(input_enc, output_dec)
autoencoder.compile(optimizer='adam', loss='mse')

# 配置回调
checkpointer = ModelCheckpoint(filepath="weights.best.h5",
                              verbose=1,
                              save_best_only=True,
                              monitor='val_loss',
                              mode='min')
tensorboard = TensorBoard(log_dir='/tmp/autoencoder', histogram_freq=0, write_graph=True, write_images=True)

# 训练（必须传入验证集）
autoencoder.fit(x_train, x_train,
               epochs=10,
               batch_size=32,
               validation_data=(x_val, x_val),
               callbacks=[checkpointer, tensorboard])

# 加载权重并测试
autoencoder.load_weights("weights.best.h5")
test_pred = autoencoder.predict(x_val[:10])
print(test_pred.shape)  # 输出(10, 784)说明加载成功

内容的提问来源于stack exchange，提问作者Mari