Tensorflow 如何加载微调keras模型

我遵循教程尝试使用VGG16模型进行微调，我训练了模型并使用

模型保存
.h5
文件。保存权重

和

vgg_conv = VGG16(include_top=False, weights='imagenet', input_shape=(image_size, image_size, 3))

    # Freeze the layers except the last 4 layers
    for layer in vgg_conv.layers[:-4]:
        layer.trainable = False

    model = Sequential()
    model.add(vgg_conv)
    model.add(Flatten())
    model.add(Dense(256, activation='relu'))
    model.add(Dropout(0.5))
    model.add(Dense(11, activation='softmax'))

然后，我尝试使用下面的方法重建架构和负载权重

def create_model(self):
    model = Sequential()
    vgg_model = VGG16(include_top=False, weights='imagenet', input_shape=(150, 150, 3))
    model.add(vgg_model)
    model.add(Flatten())
    model.add(Dense(256, activation='relu'))
    model.add(Dropout(0.5))
    model.add(Dense(11, activation='softmax'))
    model.load_weights(self.top_model_weights_path) # throws error
    return model

但它随后抛出了这个错误

ValueError: Cannot feed value of shape (512, 512, 3, 3) for Tensor 'Placeholder:0', which has shape '(3, 3, 3, 64)'

---

我做错了什么？

我不知道如何解释错误，但您可以尝试在微调后将模型架构和权重一起保存

model.save（“model.h5”）

要加载模型，可以键入

model = load_model('model.h5')
# summarize model.
model.summary()

---

我认为这样做的好处是不必重建模型，只需要一条生产线就可以实现相同的目的。

问题来自于两种模型之间可培训的差异。如果在“创建模型”功能中冻结最后4个层，它将起作用

---

但正如Igna所说，model.save和model.load_模型更简单。

它起作用了，但您能否详细说明答案？我不认为冻结会影响所需的张量形状我不知道为什么，我只是认为这是唯一的区别。想知道“保存重量”是否只保存可训练重量。答案当然在代码中。您还可以尝试使用model.load\u weights（filepath，by\u name=False）函数的“by\u name”选项。我怀疑最后4层的权重没有保存，也没有恢复。运行一些测试来验证这一点是值得的。我想知道这是否是一个bug。我查看了不同模型的权重，根据冻结参数的层数，列出时层数的顺序不同：for layer in model.layers:print（layer.weights），但层数完全相同，只是顺序不同。