返回

Keras 3 加载模型不支持格式？四种方法解决报错

Ai

搞定 Keras 3 加载模型报错：File format not supported 完全指南

用 Keras 3 加载模型时，你可能踩到一个坑，看到这样一个让人头疼的 ValueError：

ValueError: File format not supported: filepath=C:\Users\fedmor\Desktop\AI\resnet50_coco_best_v2.0.1 (1). Keras 3 only supports V3 `.keras` files and legacy H5 format files (`.h5` extension). Note that the legacy SavedModel format is not supported by `load_model()` in Keras 3. In order to reload a TensorFlow SavedModel as an inference-only layer in Keras 3, use `keras.layers.TFSMLayer(C:\Users\fedmor\Desktop\AI\resnet50_coco_best_v2.0.1 (1), call_endpoint='serving_default')` (note that your `call_endpoint` might have a different name).

这串错误信息看着挺吓人，但别慌，这其实是 Keras 3 版本更新后的一个常见问题。简单说，就是 Keras 3 的 load_model 函数不再支持某些旧的模型格式了。

问题来了： Keras 3 加载模型咋就报错了？

这个 ValueError 的核心信息很明确：你试图加载的文件格式，Keras 3 的 load_model 不认。它告诉你，Keras 3 只认两种格式：

  1. V3 .keras 文件: 这是 Keras 3 推荐的新格式，通常更现代、功能更全。
  2. 旧版 H5 格式 (.h5 扩展名): 这是 Keras 以前常用的格式，Keras 3 为了兼容性，还继续支持。

错误信息还特意强调了一点：旧版的 TensorFlow SavedModel 格式，load_model 不再支持了 。

看到你的文件路径 C:\Users\fedmor\Desktop\AI\resnet50_coco_best_v2.0.1 (1)，它没有 .keras 或 .h5 扩展名，并且路径看起来像个文件夹名（特别是那个 (1) 可能意味着重名）。这十有八九就是 TensorFlow SavedModel 格式——它通常是一个包含 saved_model.pb 文件和 variables、assets 等子目录的文件夹。

刨根问底：为什么 Keras 3 不认这个文件？

Keras 3 在设计上做了一些调整，目标是提供一个更统一、更简洁的 API，并更好地整合跨后端（TensorFlow, PyTorch, JAX）的能力。在这个过程中，开发团队决定简化模型加载机制：

  1. 主推 .keras 格式： 这是 Keras 3 的原生格式，设计上考虑了跨后端兼容性和更好的序列化能力。
  2. 保留 .h5 兼容： 因为 .h5 格式过去非常流行，完全抛弃会带来很大麻烦，所以保留了支持。
  3. 移除 SavedModel 支持 (在 load_model 中)： TensorFlow 的 SavedModel 格式与 TensorFlow 运行时紧密耦合，包含了很多 TensorFlow 特有的信息。直接在 Keras 3 的通用 load_model 里支持它，会增加复杂性，也可能与跨后端的理念不太契合。官方认为，如果你需要加载 SavedModel，应该使用更特定的方式。

所以，当你拿着一个 SavedModel 文件夹（或者指向这个文件夹的路径）去调用 Keras 3 的 load_model 时，它就会直接告诉你：“兄弟，这格式我不熟，不支持！”

解决方案：让模型顺利加载

别担心，有几种方法可以解决这个问题。咱们一个一个来看。

方案一：确认文件格式与扩展名 (最常见!)

有时候问题可能很简单，就是文件本身搞错了，或者扩展名不对。

原理和作用：
keras.models.load_model 函数通过文件路径或者文件内容来判断格式。如果路径指向的确实是一个 .h5 文件或者 .keras 文件，但你没有给对扩展名，或者路径给错了，它就懵了。如果路径指向的是一个 SavedModel 文件夹，它也会报错（正如我们遇到的情况）。

操作步骤：

  1. 检查文件/文件夹： 去你的路径 C:\Users\fedmor\Desktop\AI\ 下看看，resnet50_coco_best_v2.0.1 (1) 到底是个啥？

    • 它是一个文件吗？ 如果是，它有没有扩展名？如果是其他人给你的，问问原始格式是啥？如果它本身就是 HDF5 文件（.h5）或 Keras V3 文件（.keras），尝试给它加上正确的扩展名再加载。
    • 它是一个文件夹吗？ 打开看看，里面是不是有 saved_model.pb 文件和 variables 目录？如果是，那它就是 TensorFlow SavedModel 格式。你需要用下面的其他方法来处理。

  2. 尝试加载（如果确认是 .h5 或 .keras）：

    import keras

# 假设你确认它是 H5 文件，并已重命名或路径正确
try:
    model_path_h5 = 'C:/Users/fedmor/Desktop/AI/your_model.h5' # 替换成你的正确路径
    model = keras.models.load_model(model_path_h5)
    print("成功加载 H5 模型!")
    # 之后就可以用 model.predict() 等方法了
except Exception as e:
    print(f"加载 H5 模型失败: {e}")

# 假设你确认它是 Keras V3 文件，并已重命名或路径正确
try:
    model_path_keras = 'C:/Users/fedmor/Desktop/AI/your_model.keras' # 替换成你的正确路径
    model = keras.models.load_model(model_path_keras)
    print("成功加载 .keras 模型!")
    # 之后就可以用 model.predict() 等方法了
except Exception as e:
    print(f"加载 .keras 模型失败: {e}")

安全建议：
从不可信来源获取模型文件时要小心。.h5 和 .keras 文件理论上可以包含恶意代码（虽然不常见）。尽量从官方或可信赖的渠道下载模型。

方案二：加载 TensorFlow SavedModel (推荐用于推理)

错误信息里其实已经给出了提示，如果你只是想把这个 TensorFlow SavedModel 当作一个只进行推理（inference-only）的层来用，可以使用 keras.layers.TFSMLayer。

原理和作用：
TFSMLayer 是 Keras 3 提供的一个特殊层，它可以封装一个 TensorFlow SavedModel。它会加载 SavedModel 的计算图和权重，并将其包装成一个 Keras Layer 对象。这样，你就可以在 Keras 模型中像使用普通层一样使用这个加载进来的 SavedModel 了，但通常只适用于推理。它绕过了 load_model 的限制，专门处理 SavedModel。

操作步骤：

  1. 确定 SavedModel 路径： 确认你的路径 C:\Users\fedmor\Desktop\AI\resnet50_coco_best_v2.0.1 (1) 就是 SavedModel 文件夹的路径。

  2. 找到 call_endpoint (或者叫 Signature): SavedModel 可以有多个入口点（signatures），用于不同的任务（比如 serving_default 通常用于推理）。你需要指定用哪个入口点。

    • 常用默认值： serving_default 是最常见的。你可以先试试这个。
    • 查找方法： 如果 serving_default 不行，或者你想看看有哪些可用的，可以用 TensorFlow 提供的 saved_model_cli 工具。在你的命令行（确保 TensorFlow 环境已激活）运行： 
      # 注意路径要换成你自己的
saved_model_cli show --dir "C:\Users\fedmor\Desktop\AI\resnet50_coco_best_v2.0.1 (1)" --all
      这个命令会列出 SavedModel 的详细信息，包括所有的 signatures (比如 signature_def['serving_default']， signature_def['__saved_model_init_op'] 等)。你需要找那个用于调用的 signature，通常名字里会带 serving 或者 predict 之类的。

  3. 在 Keras 中使用 TFSMLayer:

    import keras
import tensorflow as tf # TFSMLayer 是和 TensorFlow 绑定的

saved_model_path = r'C:\Users\fedmor\Desktop\AI\resnet50_coco_best_v2.0.1 (1)'
# 先尝试用默认的 'serving_default'
call_endpoint = 'serving_default'

try:
    # 将 SavedModel 加载为一个 Keras 层
    tf_sm_layer = keras.layers.TFSMLayer(saved_model_path, call_endpoint=call_endpoint)

    # 你可以像使用普通 Keras 层一样使用它
    # 假设模型输入是一个 (None, 224, 224, 3) 的张量
    # 注意：输入形状需要和你加载的 SavedModel 的输入要求一致
    input_shape = (224, 224, 3) # 根据你的模型修改
    dummy_input = tf.random.normal((1,) + input_shape) # 创建一个假的输入

    # 调用这个层进行推理
    output = tf_sm_layer(dummy_input)
    print("成功加载 SavedModel 并通过 TFSMLayer 调用!")
    print("输出形状:", output.shape)

    # 如果需要，你可以把这个层嵌入到一个新的 Keras 模型中
    # inputs = keras.Input(shape=input_shape)
    # outputs = tf_sm_layer(inputs)
    # inference_model = keras.Model(inputs, outputs)
    # inference_model.summary()

except Exception as e:
    print(f"使用 TFSMLayer 加载 SavedModel 失败: {e}")
    print("可能的原因：路径错误、'call_endpoint' 名称不对、或者模型本身有问题。")
    print("尝试使用 'saved_model_cli show --dir <你的路径> --all' 查找正确的 endpoint。")

进阶使用技巧：

  • 指定输入输出： TFSMLayer 通常会自动推断输入输出，但如果 SavedModel 有多个输入或输出，或者你想更精确地控制，查阅 TFSMLayer 的文档了解如何指定。
  • 性能考量： 加载 SavedModel 可能比加载 .keras 或 .h5 文件慢一些。TFSMLayer 主要设计用于推理，不适合用来继续训练。

安全建议：
同样，确保 SavedModel 文件夹来源可靠。

方案三：转换模型格式 (一劳永逸?)

如果你需要在 Keras 3 环境下对模型做更多操作（比如微调训练，或者想统一模型管理格式），可以考虑将这个 SavedModel 转换成 Keras 3 支持的 .keras 格式。

原理和作用:
找一个能够读取旧版 SavedModel 格式的环境（比如安装了较旧版本 TensorFlow 或 Keras 2 的环境），用那个环境的 load_model 功能把模型加载到内存中，然后再用 Keras 的 model.save() 方法，并明确指定 save_format='keras' 或文件名以 .keras 结尾，将其保存为新的 V3 格式。

操作步骤：

  1. 准备环境： 你可能需要一个还能识别 SavedModel 的 TensorFlow/Keras 环境。这可能是你原来的开发环境，或者你可以创建一个新的虚拟环境并安装 TensorFlow 2.x 的某个版本（比如 pip install tensorflow==2.10）。
    注意：Keras 3 本身理论上是应该能调用 TensorFlow 后端来处理的，但既然 load_model 直接拒绝了 SavedModel，最稳妥的方式是先用 TensorFlow 自己的加载器。

  2. 加载 SavedModel 并另存为 .keras：

    import tensorflow as tf # 这里我们直接用 TensorFlow 的 API 来加载

saved_model_path = r'C:\Users\fedmor\Desktop\AI\resnet50_coco_best_v2.0.1 (1)'
new_keras_model_path = r'C:\Users\fedmor\Desktop\AI\resnet50_coco_best_v2.0.1.keras' # 指定新文件名和 .keras 扩展名

try:
    # 使用 TensorFlow 的 load_model 加载 SavedModel
    # 这一步需要在能识别 SavedModel 的 TensorFlow 版本下运行
    print(f"尝试使用 TensorFlow 加载 SavedModel 从: {saved_model_path}")
    model = tf.keras.models.load_model(saved_model_path)
    print("SavedModel 加载成功!")

    # 将加载的模型保存为 Keras V3 (.keras) 格式
    print(f"尝试将模型保存为 .keras 格式到: {new_keras_model_path}")
    # Keras 3 推荐使用 .keras 扩展名，它会自动选用 V3 格式
    model.save(new_keras_model_path)
    # 或者更明确地指定格式 (如果你的 Keras 版本较老，推荐显式指定)
    # model.save(new_keras_model_path, save_format='keras')
    print(f"模型成功转换为 .keras 格式并保存!")

    # 转换完成后，你就可以在 Keras 3 环境下使用新的 .keras 文件了
    # import keras
    # loaded_keras_model = keras.models.load_model(new_keras_model_path)
    # print("在 Keras 3 环境下成功加载转换后的 .keras 文件!")

except Exception as e:
    print(f"模型转换失败: {e}")
    print("请确保当前 TensorFlow/Keras 环境能够加载原始 SavedModel。")
    print("检查 SavedModel 文件是否完整或损坏。")

进阶使用技巧：

  • 自定义对象： 如果原始 SavedModel 包含了自定义层、自定义损失函数或激活函数，转换时需要确保这些自定义对象的代码在加载和保存环境中都可用。可能需要在加载时提供 custom_objects 参数给 tf.keras.models.load_model。
  • 检查转换结果： 转换后，最好用 Keras 3 加载新的 .keras 文件，并跑一些简单的预测，检查模型的结构 (model.summary()) 和输出是否和预期一致。

安全建议：

  • 转换过程本身风险不高，但需要确保执行转换的环境是干净的。
  • 转换可能会丢失一些 TensorFlow 特定的优化信息，但在 Keras 框架内使用通常问题不大。

方案四：检查 Keras 和 TensorFlow 版本

虽然错误信息指明了格式问题，但有时环境中的库版本冲突也会导致奇怪的行为。确保你的 Keras 3 和 TensorFlow 版本是兼容的。

原理和作用:
Keras 3 的核心是跨后端，但它与特定后端（如 TensorFlow）的交互依然需要版本匹配。版本不兼容可能导致各种难以预料的错误。

操作步骤:

  1. 检查版本： 在你的 Python 环境中运行：

    import keras
import tensorflow as tf

print("Keras 版本:", keras.__version__)
print("TensorFlow 版本:", tf.__version__)

    或者在命令行：

    pip show keras tensorflow

  2. 查阅兼容性： 查看 Keras 官方文档，了解你使用的 Keras 3 版本推荐搭配哪个范围的 TensorFlow 版本。

  3. 更新或调整： 如果发现版本不匹配，根据需要升级或降级库版本。使用虚拟环境（如 venv 或 conda）是管理不同项目依赖的最佳实践。

    # 例如，升级 Keras 和 TensorFlow 到最新兼容版本
pip install --upgrade keras tensorflow

进阶使用技巧：

  • 虚拟环境大法： 为每个项目创建独立的虚拟环境，可以彻底避免不同项目间的库版本冲突。这是 Python 开发的标准操作。

处理 Keras 3 的这个 ValueError: File format not supported 通常就是上面这几种思路。最可能的情况是，你手里拿的是一个 TensorFlow SavedModel 文件夹，而不是 .h5 或 .keras 文件。根据你的需求（仅仅是推理还是需要更多操作），选择方案二 (TFSMLayer) 或方案三（格式转换）通常能解决问题。当然，别忘了基础检查（方案一和四）也可能是关键。