如何将Keras训练的模型加载到Tflearn？直接加载相关文件失败

我明白你的困扰——Keras和TFLearn虽然都基于TensorFlow，但它们的模型权重存储格式并不兼容，直接用TFLearn的load方法读取Keras生成的hdf5文件肯定会失败。不过我们可以通过“中转”的方式把Keras的权重迁移到TFLearn模型里，分两种情况来处理：

情况1：你保存了完整的Keras模型（架构+权重） #

这种情况下，我们先在Keras里加载完整模型，提取权重后再赋值给TFLearn模型：

步骤1：在Keras中提取模型权重 #

from keras.models import load_model

# 加载Keras保存的完整模型
keras_model = load_model('my_model.hdf5')
# 提取所有层的权重参数（是一个numpy数组的列表）
keras_weights = keras_model.get_weights()

步骤2：在TFLearn中定义匹配的模型架构并赋值权重 #

关键：TFLearn的模型架构必须和Keras的完全一致——输入形状、层类型、神经元数量、激活函数、甚至初始化方式都要一一对应，否则会出现权重维度不匹配的错误。

示例代码：

import tflearn

# 这里以一个简单的CNN为例，你需要替换成和Keras模型完全一致的结构
input_layer = tflearn.input_data(shape=[None, 28, 28, 1])  # 匹配Keras的输入维度
conv_layer = tflearn.conv_2d(input_layer, 32, 3, activation='relu')  # 匹配Keras的Conv2D参数
pool_layer = tflearn.max_pool_2d(conv_layer, 2)
fc_layer = tflearn.fully_connected(pool_layer, 128, activation='relu')
output_layer = tflearn.fully_connected(fc_layer, 10, activation='softmax')

# 初始化TFLearn模型
tflearn_model = tflearn.DNN(output_layer)

# 将Keras提取的权重赋值给TFLearn模型
tflearn_model.set_weights(keras_weights)

# 验证：可以用测试数据做预测，确认权重迁移成功
# predictions = tflearn_model.predict(test_data)

情况2：你只保存了Keras模型的权重 #

如果只保存了权重文件，我们需要先在Keras中定义和训练时一致的模型架构，加载权重后再提取：

步骤1：在Keras中加载权重并提取 #

from keras.models import Sequential
from keras.layers import Dense, Conv2D, MaxPooling2D, Flatten

# 定义和训练时完全一样的Keras模型架构（不需要重新训练）
keras_model = Sequential()
keras_model.add(Conv2D(32, (3,3), activation='relu', input_shape=(28,28,1)))
keras_model.add(MaxPooling2D((2,2)))
keras_model.add(Flatten())
keras_model.add(Dense(128, activation='relu'))
keras_model.add(Dense(10, activation='softmax'))

# 加载保存的权重文件
keras_model.load_weights('my_model.hdf5')
# 提取权重参数
keras_weights = keras_model.get_weights()

步骤2：在TFLearn中赋值权重 #

和情况1的步骤2完全一致——定义匹配的TFLearn模型架构，然后用set_weights方法赋值即可。

重要注意事项 #

• 架构严格匹配：这是最核心的要求，哪怕是一个层的神经元数量或者激活函数不一样，都会导致权重维度不匹配，无法赋值。
• 自定义层处理：如果你的Keras模型包含自定义层，需要在TFLearn中实现对应的自定义层，保证权重的维度和结构一致，才能顺利迁移。
• 避免直接加载：不要尝试用TFLearn的load方法直接读取Keras的hdf5文件，两者的权重存储结构、键名完全不同，会直接解析失败。

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