使用预存瓶颈值的迁移学习：完整模型推理的正确实现方式

你找对了核心方向，就是把预训练的基础模型和训练好的顶层模型拼接起来，让基础模型的输出直接作为顶层模型的输入，构建一个端到端的推理模型。这种方式既复用了瓶颈训练时节省的时间，又能实现从原始图像到最终预测的完整流程，而且不需要冻结基础层（毕竟我们只是用它做前向传播，不涉及训练）。

具体实现步骤 #

下面是完整的代码示例，一步步来：

1. 加载预训练的基础模型
   保持和你生成瓶颈值时一致的配置：include_top=False，使用ImageNet预训练权重：

   from keras.applications.xception import Xception
   base_model = Xception(weights='imagenet', include_top=False)
   

2. 加载训练好的顶层模型
   就是你用瓶颈值训练并保存的那个小型模型：

   from keras.models import load_model
   # 替换成你的模型实际保存路径
   loaded_top_model = load_model('path/to/your/saved_top_model.h5')
   

   小提示：如果训练时用了自定义层、自定义损失或指标，加载时需要通过custom_objects参数指定，比如load_model(..., custom_objects={'MyCustomLayer': MyCustomLayer})。

3. 拼接两个模型，构建完整推理模型
   把基础模型的输出直接传入顶层模型，创建新的端到端模型：

   from keras.models import Model
   
   # 获取基础模型的输出特征（也就是你之前保存的瓶颈值对应的特征）
   base_model_output = base_model.output
   # 将基础模型的输出作为顶层模型的输入，得到最终预测结果
   final_predictions = loaded_top_model(base_model_output)
   # 构建完整模型：输入是原始图像，输出是最终分类结果
   full_inference_model = Model(inputs=base_model.input, outputs=final_predictions)
   

推理示例 #

现在你可以直接用这个完整模型处理原始图像了，记得遵循Xception要求的预处理规则：

from keras.applications.xception import preprocess_input
import numpy as np
from PIL import Image

# 加载并预处理图像（Xception要求输入尺寸至少71x71，通常用299x299）
img = Image.open('test_image.jpg').resize((299, 299))
img_array = np.expand_dims(np.array(img), axis=0)  # 增加batch维度
preprocessed_img = preprocess_input(img_array)

# 执行推理
predictions = full_inference_model.predict(preprocessed_img)
# 解析预测结果，比如取概率最高的类别
predicted_class = np.argmax(predictions, axis=1)[0]

为什么这种方式有效？ #

• 基础模型的输出形状和你训练顶层模型时的输入形状（bottleneck_shape）完全匹配，所以可以直接对接。
• 顶层模型的权重已经通过瓶颈值训练完成，不需要再调整；基础模型保持预训练权重，也不需要修改。
• 和冻结基础层训练完整模型的方式相比，你在训练阶段已经通过瓶颈值节省了大量计算时间，推理阶段这个组合模型的效果和直接训练完整模型完全一致，但不需要重复完整训练流程。

内容的提问来源于stack exchange，提问作者Moondra