如何多次加载Keras模型且不共享权重，构建新模型并保存

嘿，我来帮你搞定这个问题！你的思路其实已经对了一半——核心就是让每个加载的模型层名唯一，避免Keras默认的权重共享机制，然后用Functional API把这些独立模型组合起来，最后保存完整的新模型。下面是完整的实现方案：

1. 完善预训练模型加载函数 #

首先把你写的加载函数补全并优化，确保每次加载的模型都是独立的，不共享权重：

from keras.models import model_from_json

def load_pretrained_model(minus_layers, add_str):
    # 加载预训练模型的结构（myModelJson是你的模型结构字符串）
    model = model_from_json(myModelJson)
    # 加载对应权重文件
    model.load_weights(weightsfile)
    
    # 移除顶层指定数量的层
    for _ in range(minus_layers):
        model.layers.pop()
    
    # 关键：更新模型的输出和节点连接，避免结构混乱
    model.outputs = [model.layers[-1].output]
    model.layers[-1].outbound_nodes = []
    # 刷新模型的输入和内部层列表，确保结构有效
    model.inputs = [model.layers[0].input]
    model._layers = model.layers
    
    # 给所有层加上唯一后缀，彻底避免权重共享
    for layer in model.layers:
        layer.name = f"{layer.name}_{add_str}"
    model.name = f"{model.name}_{add_str}"
    
    return model

2. 多次加载独立模型 #

现在你可以多次调用这个函数，每次传入不同的add_str参数，得到完全独立、权重不共享的模型实例：

# 加载两个独立的模型，分别加后缀"a"和"b"
model_a = load_pretrained_model(minus_layers=2, add_str="a")
model_b = load_pretrained_model(minus_layers=2, add_str="b")

3. 构建新的组合模型 #

用Keras的Functional API把这些独立模型拼接起来，比如做特征融合后加分类层：

from keras.layers import Concatenate, Dense
from keras.models import Model

# 获取两个模型的输出特征
output_a = model_a.output
output_b = model_b.output

# 拼接两个特征向量
concat_features = Concatenate(axis=-1)([output_a, output_b])
# 添加自定义的顶层（这里以10分类为例）
final_output = Dense(10, activation="softmax")(concat_features)

# 构建完整的新模型
combined_model = Model(inputs=[model_a.input, model_b.input], outputs=final_output)

4. 保存新模型 #

最后可以直接保存整个模型（结构+权重），或者分开保存结构和权重：

方式1：一次性保存完整模型（推荐） #

combined_model.save("my_combined_model.h5")
# 后续加载只需：from keras.models import load_model; model = load_model("my_combined_model.h5")

方式2：分开保存结构和权重 #

# 保存模型结构
model_json = combined_model.to_json()
with open("combined_model_structure.json", "w") as f:
    f.write(model_json)

# 保存模型权重
combined_model.save_weights("combined_model_weights.h5")

# 后续加载：
# model = model_from_json(open("combined_model_structure.json").read())
# model.load_weights("combined_model_weights.h5")

关键注意点 #

• 层名唯一化：这是避免权重共享的核心！Keras中同名层默认会共享权重，所以给每个加载的模型层加上独特后缀是必须的。
• 模型结构刷新：移除顶层后，一定要手动更新模型的outputs、outbound_nodes、inputs和_layers，否则模型结构会无效，后续拼接会报错。
• Functional API的灵活性：如果你的组合逻辑更复杂（比如分支、多输入多输出），Functional API是最佳选择，能清晰定义各个组件的连接关系。

内容的提问来源于stack exchange，提问作者maniac