Keras网络输入替换：移除输入层及后续层并适配新输入形状问题

直接在原模型上pop前两层后，剩余的Dense层会失去输入依赖，导致model.input_shape变为None，无法直接使用。正确的做法是重新构建计算图：创建新的输入层，将其与保留的层重新连接，同时按需保留原有训练权重。

场景1：新输入形状与原第二层输出形状一致 #

如果你新输入的维度和原来b层（Dense(32)）的输出维度（32）相同，可以直接复用原有层的权重：

from tensorflow.keras.layers import Input, Dense
from tensorflow.keras.models import Model

# 原始模型构建
a = Input(shape=(64,))
b = Dense(32)(a)
c = Dense(16)(b)
d = Dense(8)(c)
model = Model(inputs=a, outputs=d)

# 先保存需要保留的层（c和d）的权重
c_weights = model.layers[2].get_weights()
d_weights = model.layers[3].get_weights()

# 创建新输入层，这里形状和原b层输出一致：(32,)
new_input = Input(shape=(32,))

# 重新构建层连接并加载原有权重
new_c = Dense(16)(new_input)
new_c.set_weights(c_weights)  # 加载原c层的训练权重

new_d = Dense(8)(new_c)
new_d.set_weights(d_weights)  # 加载原d层的训练权重

# 构建新的可用模型
new_model = Model(inputs=new_input, outputs=new_d)

# 验证结果
print(new_model.summary())
print('input shape = ' + str(new_model.input_shape))

场景2：新输入形状与原第二层输出形状不同 #

如果你的新输入维度和原b层输出（32）不一样（比如改为(128,)），原c层的权重形状（(32,16)）无法适配新输入，需要重新创建c层，仅复用后面层的权重：

from tensorflow.keras.layers import Input, Dense
from tensorflow.keras.models import Model

# 原始模型构建
a = Input(shape=(64,))
b = Dense(32)(a)
c = Dense(16)(b)
d = Dense(8)(c)
model = Model(inputs=a, outputs=d)

# 保存d层的权重（c层需重新适配新输入）
d_weights = model.layers[3].get_weights()

# 创建新输入层，这里用自定义的形状：(128,)
new_input = Input(shape=(128,))

# 重新创建适配新输入的c层
new_c = Dense(16)(new_input)  # 权重自动初始化为(128,16)

# 连接d层并加载原有权重
new_d = Dense(8)(new_c)
new_d.set_weights(d_weights)

# 构建新模型
new_model = Model(inputs=new_input, outputs=new_d)

# 验证结果
print(new_model.summary())
print('input shape = ' + str(new_model.input_shape))

关键要点 #

• 不要直接依赖pop后的原模型：Keras模型的层连接是基于计算图的，移除前层后剩余层的输入依赖会断裂，无法直接使用。
• 权重复用的前提是维度匹配：只有当新输入的维度和原保留层的输入维度一致时，才能直接加载原有权重，否则需要重新创建层。
• 始终通过Model类重新构建模型：确保新的计算图完整，输入输出节点明确。

内容的提问来源于stack exchange，提问作者corwin