基于tf2.x的keras训练的模型转成tf1.x版本

写在前面

我训练使用的是TF2.3，部分业务场景需要将模型转到TF1.14版本进行部署。
训练的模型是基于keras的预训练，外加自己添了一点东西。
TF2.x的模型转到TF1.x之后存在精度损失，因模型而异。

第一步：保证在tf1.x环境下正确导入tf2.x的权重

在TF2.x只保存模型的权重

只保存模型的权重，能够保证在TF1.x环境下，通过定义模型结构可以正确的导入权重，不会引入TF2.x特有的OP或者属性，避免一些莫名奇妙的错误。

    tf2_model = load_trained_keras_model() # 导入训练好的模型
    tf2_model.trainable = False # 此步要加，可避免一些错误
    tf2_model.save("weights.hdf5")

在TF1.x下定义模型结构并导入TF2.x保存的权重

在TF2.x的keras中有些Layer不存在于TF1.x中，比如keras.layers.Normalizaiton，在定义模型结构时，可以对一些不存在的op进行自定义生成，保证Variable的名字一致，这是因为模型导入权重有两种形式：（1）根据网络的拓扑逻辑自动填入权重；（2）根据变量名称填入权重。
在定义网络结构时，一定要和原来保持一致，例如：

# tf2.x
inputs = tf.keras.Input(shape=(224, 224, 3))
pretrain = tf.keras.applications.EfficientNetB0(include_top=False, input_tensor=inputs, pooling=None)
x = pretrain(inputs)
x = tf.keras.layers.Conv2D(512, kernel_size=1, use_bias=False)(x)
outputs = tf.keras.layers.GlobalAvgPool2D()(x)
model = tf.keras.Model(inputs, outputs, name="my_model")

model.summary()

# _________________________________________________________________