转换Keras H5模型，为什么无法确定--input_shape参数的值？

  对于 TensorFlow* 型号，输入形状值的顺序为 [N、H、W、C]。每个字母的含义如下：

信	意义
N	批处理中的图像数量
H	图像的高度
W	图像的宽度
C	图像通道数（例如：3 个，RGB 1 个，灰度...）

使用以下命令转换 Keras H5 模型：
python3 mo --saved_model_dir --input_shape [1,30,30,3]

  对于 TensorFlow* 型号，输入形状值的顺序为 [N、H、W、C]。每个字母的含义如下：

信	意义
N	批处理中的图像数量
H	图像的高度
W	图像的宽度
C	图像通道数（例如：3 个，RGB 1 个，灰度...）

使用以下命令转换 Keras H5 模型：
python3 mo --saved_model_dir --input_shape [1,30,30,3]

举报

在转换 Keras H5 模型时，遇到 Shape [-1 30 30 3] is not fully defined for output 0 of "conv2d_input" 错误，通常是因为模型的输入形状没有完全定义。Keras 模型在保存时，有时会使用 None 或 -1 来表示动态的批量大小（batch size），这会导致 OpenVINO 的模型优化器（Model Optimizer, mo）无法确定输入形状。

解决方法

1. 
   

   明确指定 --input_shape 参数：
   你需要为模型优化器提供明确的输入形状。--input_shape 参数应该是一个包含正整数的列表，表示输入张量的形状。例如，如果你的模型输入是一个 30x30 的 RGB 图像，并且你希望批量大小为 1，你可以使用以下命令：

   
   

   mo --saved_model_dir model/ --input_shape [1,30,30,3]

   
   

   这里的 [1,30,30,3] 表示批量大小为 1，图像高度为 30，宽度为 30，通道数为 3（RGB）。

   
   


2. 
   

   检查模型输入形状：
   在 Keras 中，你可以通过以下代码检查模型的输入形状：

   
   

   model = keras.models.load_model('model.h5')
   
   print(model.input_shape)

   
   

   这将输出模型的输入形状，帮助你确定正确的 --input_shape 参数值。

   
   


3. 
   

   修改模型输入形状：
   如果你希望在保存模型时明确指定输入形状，可以在 Keras 中定义模型时使用 Input 层来指定输入形状。例如：

   
   

   from tensorflow.keras.layers import Input
   
   
   
   input_layer = Input(shape=(30, 30, 3))
   
   # 接着定义其他层
   
   model = keras.models.Model(inputs=input_layer, outputs=...)

   
   

   这样，在保存模型时，输入形状就会被明确指定。

   
   


4. 
   

   使用 --input 参数：
   如果你只想指定输入的节点名称而不指定形状，可以使用 --input 参数。例如：

   
   

   mo --saved_model_dir model/ --input conv2d_input

   
   

   但这通常需要与 --input_shape 一起使用，以确保形状是明确的。

   
   

总结

无法确定 --input_shape 参数的值通常是因为模型的输入形状没有完全定义。通过明确指定 --input_shape 参数，或者检查并修改模型的输入形状，可以解决这个问题。确保在转换模型时提供明确的输入形状，以便模型优化器能够正确解析和转换模型。