如何仿照ResNet50为H5加载的Keras模型替换输入层

我之前也碰到过一模一样的需求，要实现和ResNet50那种用input_tensor替换输入层的逻辑，其实核心就是把从H5加载好的模型的输入层替换成你自定义的张量，一步步来很简单：

步骤1：加载原有模型 #

先正常加载你的H5模型：

import tensorflow as tf
from tensorflow import keras

model2 = keras.models.load_model('my_model.h5')

步骤2：准备自定义输入张量 #

比如你已经定义好的my_input_tensor，注意它的形状、数据类型要和原模型的输入兼容，不然会报错：

# 举个例子，假设原模型输入是(224,224,3)，自定义张量可以这么定义
my_input_tensor = keras.Input(shape=(224, 224, 3), dtype='float32', name='custom_input')

步骤3：重构模型连接 #

ResNet50的逻辑是直接用传入的张量作为输入，然后连接后续所有层，我们对自有模型也这么做：

1. 跳过原模型的输入层，拿到第一个隐藏层
2. 把自定义张量传入这个隐藏层，开始逐层连接
3. 最后用新的输入和输出构建模型

代码实现：

# 跳过原模型的输入层（通常是layers[0]），取第一个隐藏层
first_hidden_layer = model2.layers[1]

# 用自定义张量作为输入，传入第一个隐藏层
current_output = first_hidden_layer(my_input_tensor)

# 循环连接剩下的所有层
for layer in model2.layers[2:]:
    current_output = layer(current_output)

# 构建新的模型
new_model2 = keras.Model(inputs=my_input_tensor, outputs=current_output)

注意事项 #

• 检查输入兼容性：自定义张量的形状、数据类型必须和原模型输入层的要求一致，否则会出现维度不匹配的错误
• 自定义层/损失处理：如果你的H5模型包含自定义层、损失函数或者度量指标，加载的时候要在load_model里指定custom_objects参数，比如keras.models.load_model('my_model.h5', custom_objects={'MyCustomLayer': MyCustomLayer})
• 多输入模型适配：如果你的模型是多输入结构，只需要对每个输入张量重复上述步骤，最后把所有输入张量传入Model的inputs参数即可

内容的提问来源于stack exchange，提问作者zcadqe