如何保存加载KerasClassifier？预测输出形状异常问题

这个问题的核心原因很明确：keras.wrappers.scikit_learn.KerasClassifier是scikit-learn兼容的包装类，它内部封装了Keras模型，但model.save()只能保存内部的Sequential模型本身，并没有保存KerasClassifier包装器的核心逻辑（比如预测时自动将概率转换为类别索引的规则、分类类别数等参数）。所以加载后得到的只是纯Keras模型，它的predict方法默认输出概率数组，而非你期望的类别索引。

下面给你两种可行的解决思路：

方法一：直接保存/加载整个KerasClassifier对象（推荐） #

因为KerasClassifier是符合scikit-learn estimator接口的类，你可以用scikit-learn自带的joblib或pickle工具序列化整个包装器对象，这样就能完整保留它的所有逻辑。

保存代码： #

import joblib
# 假设你的KerasClassifier对象名为classifier
joblib.dump(classifier, "keras_classifier.pkl")

加载代码： #

import joblib
# 加载后直接得到原类型的KerasClassifier
loaded_classifier = joblib.load("keras_classifier.pkl")
# 此时predict输出就是你期望的类别索引数组
y_pred = loaded_classifier.predict(X_test)

注意事项：

• 确保保存和加载环境的Keras、TensorFlow、scikit-learn版本尽量一致，避免序列化兼容性问题。
• 如果你的模型包含自定义层/损失函数，需要在加载时确保这些自定义对象能被正确识别（比如提前导入对应的定义代码）。

方法二：保存模型后手动恢复包装或转换输出 #

如果你一定要用model.save()保存模型，也可以通过两种方式修复预测输出：

方式1：重新包装为KerasClassifier #

加载模型后，把它重新传入KerasClassifier，注意要和原实例的参数保持一致：

from keras.models import load_model
from keras.wrappers.scikit_learn import KerasClassifier

# 加载保存的Sequential模型
loaded_model = load_model("my_model.h5")

# 重新包装为KerasClassifier，build_fn返回已加载的模型
loaded_classifier = KerasClassifier(build_fn=lambda: loaded_model)
# 此时predict会自动输出类别索引
y_pred = loaded_classifier.predict(X_test)

方式2：手动将概率转换为类别索引 #

根据你的模型输出结构，手动处理概率数组得到类别索引：

• 多分类场景（模型输出为多节点+softmax激活）：取每个样本概率最大的索引

y_proba = loaded_model.predict(X_test)
y_pred = y_proba.argmax(axis=1).astype("int64")

• 二分类场景（模型输出为单节点+sigmoid激活）：以0.5为阈值转换为类别

y_proba = loaded_model.predict(X_test)
y_pred = (y_proba > 0.5).astype("int64").flatten()

这种方式需要你自己确保转换逻辑和原KerasClassifier的predict逻辑一致，适合临时应急场景。

内容的提问来源于stack exchange，提问作者Aceconhielo