不能直接加载keras的.h5权重到pytorch，因二者模型结构、张量布局（channels_last vs channels_first）、参数命名（gamma/weight、moving_mean/running_mean）及权重形状（conv2d为kh×kw×in×out→out×in×kh×kw）均不同，需手动逐层对齐、转置、重命名并校验数值一致性。
为什么不能直接加载Keras的.h5权重到PyTorch
Keras（尤其是TensorFlow后端）和PyTorch的模型结构、张量布局、参数命名规则完全不同。比如：Conv2D在Keras中默认data_format='channels_last'，而PyTorch是channels_first；Dense层的权重矩阵在Keras里是(in, out)，PyTorch里是(out, in)；还有BN层的gamma/beta vs weight/bias、moving_mean vs running_mean等映射差异。直接用torch.load()读.h5会报错或加载错位。
手动逐层映射权重的实操步骤
核心是：先用Keras读权重，再按层名/类型对齐PyTorch模型结构，做形状转置+名称转换+数值拷贝。需确保两个模型拓扑完全一致（层数、类型、通道数、kernel size等）。
- 用
h5py.File('model.h5', 'r')打开权重文件，遍历model.layers或file.keys()定位每层参数路径，例如conv2d_1/kernel:0对应卷积核，batch_normalization_1/gamma:0对应缩放参数 - PyTorch模型中对应层需提前创建好（不能靠
load_state_dict()自动匹配），用named_parameters()和named_buffers()确认目标键名，如features.0.weight、features.1.running_mean - 对卷积层：Keras权重shape为
(kh, kw, in_c, out_c)→ 转为(out_c, in_c, kh, kw)再赋给torch_tensor.data.copy_() - 对BN层：Keras的
gamma→PyTorch的weight，beta→bias，moving_mean→running_mean，moving_variance→running_var；注意running_var需开方后再取倒数（因PyTorch BN内部用1/sqrt(var + eps)）
用keras2pytorch这类工具库的风险点
社区有keras2pytorch或tf2pytorch等小众转换脚本，但它们只覆盖常见层（Conv2D、Dense、BatchNormalization），遇到DepthwiseConv2D、自定义Lambda层、RNN或tf.keras.layers.Resizing就大概率失败。更麻烦的是——这些工具不校验数值一致性。
- 务必在转换后用同一组输入跑前向，比对Keras输出和PyTorch输出的
torch.allclose(out_keras, out_pt, atol=1e-5) - 如果Keras模型用了
tf.keras.applications里的预训练模型，优先查官方是否提供PyTorch版（如torchvision.models.resnet50(weights=ResNet50_Weights.IMAGENET1K_V1)），避免自己转换 - 若原Keras模型含
tf.keras.layers.GlobalAveragePooling2D，PyTorch对应是nn.AdaptiveAvgPool2d((1,1))，但权重无参数，只需保证输出shape一致即可
保存为PyTorch可复用的格式
转换完别只存state_dict，否则下次加载还得重建模型结构。推荐两种方式：
- 保存完整模型：
torch.save(model, 'model.pt')（要求模型类定义在运行时可见，且无依赖外部闭包） - 更稳妥的做法：保存
state_dict+ 单独存一份模型结构代码（如model_def.py），加载时先import类再model = MyModel(); model.load_state_dict(torch.load('weights.pth')) - 避免用
torch.save(model.state_dict(), ...)后忘记记录输入尺寸/归一化参数——PyTorch没Keras的model.input_shape元信息，这些必须手动维护
权重转换不是格式搬运，本质是跨框架的数值重布线。最易被忽略的是BN层的training=False模式下running_var的数值处理，以及全局池化层前后张量permute逻辑是否隐式存在。动手前先用最小网络（单卷积+BN）跑通全流程，再放大到完整模型。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
