如何从两个TensorFlow模型加载指定层参数生成合并模型文件？

我之前也碰到过类似的需求，核心思路其实很简单——先复刻和A、B一致的模型结构，再把对应层的权重分别从A、B迁移过去就行，给你一步步拆解具体操作：

1. 提取目标层的权重 #

不管你的模型是用Sequential还是Functional API构建的，首先要能精准定位到conv1-conv6这些层。建议给层设置明确的name参数，这样用get_layer()获取层会比靠索引更可靠（避免结构调整后索引错位）。

先把需要的权重提取出来保存：

import tensorflow as tf
import numpy as np

# 从模型A提取conv1、conv2、conv3的权重
conv1_weights = model_A.get_layer('conv1').get_weights()
conv2_weights = model_A.get_layer('conv2').get_weights()
conv3_weights = model_A.get_layer('conv3').get_weights()

# 从模型B提取conv4、conv5、conv6的权重
conv4_weights = model_B.get_layer('conv4').get_weights()
conv5_weights = model_B.get_layer('conv5').get_weights()
conv6_weights = model_B.get_layer('conv6').get_weights()

2. 创建模型C的结构（与A、B完全一致） #

你不需要手动重新写一遍模型结构，直接克隆A或B的结构最省事：

# 克隆模型A的结构，得到空的模型C（权重是随机初始化的）
model_C = tf.keras.models.clone_model(model_A)

如果是自定义子类模型（继承tf.keras.Model），那你直接实例化一个新的模型对象就行，比如model_C = YourCustomModel()，结构自然和A、B一致。

3. 给模型C的对应层赋值权重 #

现在把之前提取的权重一一赋值给模型C的对应层：

# 把模型A的卷积层权重赋值给C的前三层
model_C.get_layer('conv1').set_weights(conv1_weights)
model_C.get_layer('conv2').set_weights(conv2_weights)
model_C.get_layer('conv3').set_weights(conv3_weights)

# 把模型B的卷积层权重赋值给C的后三层
model_C.get_layer('conv4').set_weights(conv4_weights)
model_C.get_layer('conv5').set_weights(conv5_weights)
model_C.get_layer('conv6').set_weights(conv6_weights)

4. 验证权重是否迁移成功 #

为了确保操作没问题，可以简单验证一下：

# 验证conv1权重是否和模型A完全一致
print(np.array_equal(model_C.get_layer('conv1').get_weights()[0], model_A.get_layer('conv1').get_weights()[0]))
# 验证conv4权重是否和模型B完全一致
print(np.array_equal(model_C.get_layer('conv4').get_weights()[0], model_B.get_layer('conv4').get_weights()[0]))

如果输出都是True，就说明权重迁移成功了。

额外注意事项 #

• 如果模型还有后续的层（比如全连接层、池化层等），你可以按照同样的逻辑处理：要么选择用A或B的权重，要么重新初始化，完全看你的需求。
• 如果是自定义子类模型，要确保在类中把卷积层作为实例属性暴露出来（比如self.conv1 = tf.keras.layers.Conv2D(...)），这样才能顺利调用get_weights()和set_weights()。

内容的提问来源于stack exchange，提问作者Eric Li