tensorflow 2.x 中用 model.load_weights() 加载 hdf5 权重文件最直接，但需模型结构完全一致且文件为 model.save_weights() 生成的纯权重 .h5 文件；支持 by_name=true 提升鲁棒性，但 tf 2.16+ 已标记为 legacy，推荐转向 tf 检查点格式。
用 model.load_weights() 加载 HDF5 权重文件最直接
TensorFlow 2.x 原生支持从 .h5 文件加载权重（非完整模型），前提是模型结构已存在且与保存时完全一致。调用 model.load_weights() 即可，无需额外依赖或转换步骤。
常见错误现象：ValueError: You are trying to load a weight file containing 12 layers into a model with 8 layers——说明模型结构不匹配，不是路径或格式问题。
- 确保模型已构建完成（
model.build()或至少前向执行过一次，如model(tf.zeros(...))），否则权重无法映射 - 路径必须指向纯权重文件（通常由
model.save_weights('path.h5')生成），不是model.save('path.h5')保存的含架构+权重+优化器状态的完整 SavedModel 变体 - HDF5 文件名后缀必须是
.h5（不是.hdf5），否则 TF 可能静默回退到 HDF5 兼容模式但失败率升高
加载时指定 by_name=True 可绕过层顺序限制
当模型结构相同但层顺序有微小差异（例如自定义模型中插入了调试层、重排了无关分支），默认按序加载会失败。启用 by_name=True 改为按层名匹配权重，更鲁棒。
使用场景：迁移学习中复用预训练主干，但下游模型新增了输入预处理层或输出适配层；或多人协作时模型定义顺序不一致。
-
model.load_weights('weights.h5', by_name=True)仅加载名称完全匹配的层，不匹配的层保持初始化值 - 层名需在构建时显式指定（如
Conv2D(32, 3, name='conv1')），否则 TF 自动生成的名（如conv2d、conv2d_1）易因定义顺序变化而不同 - 不解决层内张量形状不匹配问题（如 kernel shape 从 (3,3,3,32) 变成 (3,3,64,32)），此时仍会报错
遇到 OSError: Unable to open file 先检查 HDF5 依赖和文件完整性
这个错误通常不是权限或路径问题，而是底层 h5py 与 HDF5 库链接异常，尤其在 conda 环境或 Apple Silicon Mac 上高频出现。
性能/兼容性影响：缺失正确 HDF5 支持会导致加载速度下降 3–5 倍，甚至触发内存泄漏。
- 运行
python -c "import h5py; print(h5py.version.info)"，确认输出中hdf5_version≥ 1.10.4，且libhdf5路径非空 - conda 用户优先用
conda install h5py -c conda-forge替代 pip 安装，避免 MKL 冲突 - 用
h5ls -r weights.h5（需安装hdf5-tools）验证文件可读；若报错，说明文件损坏或非标准 HDF5 格式（如 Keras 1.x 旧版保存）
TensorFlow 2.16+ 开始默认禁用 HDF5 权重加载
从 TensorFlow 2.16 起，load_weights() 对 .h5 的支持被标记为 legacy，未来版本可能移除。官方推荐转向 tf.train.Checkpoint + .index/.data- 文件组合。
这意味着你现在能用，但项目长期维护需预留迁移路径——尤其当团队升级 TF 版本后突然发现 CI 失败。
- 新项目建议直接用
model.save_weights('ckpt_dir', save_format='tf')保存为原生 TF 检查点 - 已有 HDF5 权重需转存：先用旧版 TF（如 2.13）加载再保存为 TF 格式，或用
h5py手动提取权重张量并赋值给新模型变量（适合简单模型） - 不要依赖
tf.keras.models.load_model('xxx.h5')加载权重文件——它只接受完整模型保存，对纯权重会抛JSONDecodeError
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！
