Python 我们能否改变keras中经过训练的神经网络结构（.json或.h5文件）及其权重（.h5文件）？

训练神经网络并将其保存为特定格式后，请使用.h5或.json格式。假设我想使用网络进行推理，但没有层say批处理规范化，我可以只从model file.h5或json中删除这一层并进行推理吗

---

这是否可能改变网络并进行推断？如果是，怎么做？

一种方法，它为不同类型的模型编辑提供了很大的自由度，但不幸的是相当麻烦：

通过调用

temp\u config=my\u model.get\u config

临时权重=我的模型。获取权重

分析要更改或删除的临时配置中的哪一层

更改temp_配置并相应更改temp_权重。不幸的是，为每一层找到正确的权重可能会非常混乱，因为权重只是相互附加，常常以权重、偏差、权重、偏差、权重、偏差等流结束。。。。在您的情况下，将删除一个层，并删除该层的相应权重

然后使用新的配置和权重构建模型

新建\模型=模型。从\配置新建\配置

新建\模型。设置\权重新建\权重

---

是的，这实际上很简单：您需要使用参数命名所有层，并使用model.save_weights保存权重，并使用共享部分层的所需体系结构构建另一个模型。然后您可以使用新的\u model.load\u weights…，按\u name=True仅加载共享层。以下是一个例子：

input = Input(..., name='image_in')
conv1 = Conv2D(..., name='conv2d')(input)
normed = BatchNormalization(...)(conv1)
out = Flatten()(normed)
out = Dense(num_classes, activation='softmax', name='final_dense')(out)
model = Model(input, out)
# ... train etc
model.save_weights(model_file)

然后，您可以创建另一个模型，并对要共享的图层使用相同的名称：

input = Input(..., name='image_in')
conv1 = Conv2D(..., name='conv2d')(input) # reuse conv2d
out = Flatten()(conv1) # we got rid of batch
out = Dense(num_classes, activation='softmax', name='final_dense')(out) # reuse final_dense
new_model = Model(input, out)
# ... now load
new_model.load_weights(model_file, by_name=True)

设置by_name=True仅将具有匹配名称的层加载到所需的任何体系结构中