TensorFlow 2.x 中应使用 tf.keras.applications 直接加载预训练模型，如 ResNet50(weights='imagenet')，自动下载权重；去顶层用 include_top=False；必须用对应模型的 preprocess_input 预处理，不可混用或手动归一化。
TensorFlow 2.x 中直接用 tf.keras.applications 加载预训练模型是最稳、最省事的方式，不需要手动下载权重文件或处理兼容性问题。
怎么用 tf.keras.applications 加载常见预训练模型
TensorFlow 2.x 内置了 ResNet、VGG、EfficientNet 等十几种模型，全部封装在 tf.keras.applications 下，调用时自动从官方 CDN 下载权重（首次运行会慢一点）。
- 默认加载带顶层（即含全连接分类头）的模型：
model = tf.keras.applications.ResNet50(weights='imagenet') - 去掉顶层用于迁移学习：
model = tf.keras.applications.ResNet50(weights='imagenet', include_top=False) - 指定输入尺寸（必须是正整数且 ≥ 32）：
input_shape=(224, 224, 3)，不传则用默认值（如 ResNet50 默认是(224, 224, 3)） - 注意
weights='imagenet'是唯一支持的预训练权重选项；None表示随机初始化，'path/to/file.h5'不被官方接口支持（需用load_model或load_weights手动加载）
为什么不能直接用 tf.keras.models.load_model 加载官方预训练模型
tf.keras.models.load_model 适用于你本地保存的完整模型（含结构 + 权重 + 优化器状态），但 tf.keras.applications 返回的是“未编译”模型，且权重是按层名映射加载的——它不走 HDF5 或 SavedModel 的标准序列化流程。
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
- 如果你强行把
ResNet50(...)保存成model.save('resnet.h5')，再用load_model加载，大概率报错ValueError: Unknown layer: Rescaling或类似提示（尤其 TF 2.12+ 后，预处理层被显式加入模型图） - 想保存后复用？推荐用
tf.keras.models.save_model(model, 'resnet_saved', save_format='tf')（SavedModel 格式），然后用tf.keras.models.load_model('resnet_saved')加载才可靠 - 如果只是迁移微调，通常不需要保存整个模型——冻结部分层后，只保存你新增的 head 层权重更轻量
常见错误：加载后推理结果和预期不符
这不是模型加载错了，大概率是预处理没对齐。TF 2.x 的 applications 模型内部已集成预处理逻辑（比如 ResNet50 用 tf.keras.applications.resnet.preprocess_input），但很多人误用 OpenCV/PIL 直接归一化到 [0,1] 或 [-1,1]。
立即学习“Python免费学习笔记（深入）”；
- 务必使用对应模型的预处理函数：
x = tf.keras.applications.resnet.preprocess_input(x)（x 是 uint8 类型的 [0,255] 图像张量） - 不要自己写
x = (x / 255.0) * 2.0 - 1.0—— ResNet 和 EfficientNet 的归一化参数不同，preprocess_input会按通道减去 ImageNet 均值 [123.68, 116.779, 103.939] - 输入数据格式必须是 NHWC（batch, height, width, channels），且 dtype 是
float32；传入int32或uint8会静默失败，输出全是 NaN - 验证方法：用一张猫图，加载后跑
model.predict()，取 top-1 类别，看是否返回'tabby'或类似 ID；否则立刻检查预处理链路
真正容易被忽略的点是：不同模型的 preprocess_input 函数不能混用，ResNet 的不能喂给 VGG，哪怕尺寸一样；另外，TF 2.16 开始，部分 models 默认启用 training=False 的 batch norm 行为，如果做 finetune，记得在 model.trainable = True 后显式调用 model(x, training=True)，否则 BN 层不更新统计量。
