本文介绍如何通过修改模型配置（`get_config()`）并重置权重，将 keras 模型中 `none` 占位的动态输入形状（如 `(none, none, none, 1)`）替换为确定的静态尺寸（如 `(1, 256, 256, 1)`），从而兼容 opencv dnn 等仅支持固定输入尺寸的推理框架。
在将预训练 TensorFlow 模型（如 deepBlink 的 smfish.h5）部署至 C++ 环境时，常因 OpenCV DNN 模块不支持动态输入尺寸而报错——其底层要求所有维度（尤其是 H/W）必须为编译期已知的固定值，而非 None。直接修改 model.layers[0] 或尝试重建图结构往往无效，因为 Keras 模型的拓扑与权重是深度耦合的，需从模型配置层统一更新。
✅ 正确做法是：提取原始模型配置 → 显式覆盖输入层的 batch_input_shape → 用新配置重建模型 → 无缝加载原有权重。该方法不改变网络结构、参数或计算逻辑，仅固化输入尺寸，确保导出的 ONNX 或 SavedModel 具备明确的静态 shape，完美适配 OpenCV 的 cv::dnn::readNet()。
以下为完整可执行流程（以 deepBlink 的单通道输入为例，目标尺寸 256×256）：
import tensorflow as tf
# 1. 加载原始模型
model = tf.keras.models.load_model("smfish.h5")
# 2. 获取模型配置字典
cfg = model.get_config()
# 3. 修改输入层配置：指定静态 batch_input_shape
# 注意：格式为 (batch_size, height, width, channels)
# deepBlink 输入为单通道灰度图，故设为 (1, 256, 256, 1)
cfg['layers'][0]['config']['batch_input_shape'] = (1, 256, 256, 1)
# 4. 用新配置构建新模型（架构完全一致）
new_model = tf.keras.Model.from_config(cfg)
# 5. 复制原始权重（关键！确保参数零丢失）
new_model.set_weights(model.get_weights())
# 6. 验证：输出形状已固化
new_model.summary()
# ✅ 输出中 input_1 的 Output Shape 将变为 [(1, 256, 256, 1)]
# 后续卷积层输出形状也将自动推导为确定值（如 (1, 254, 254, 32)）⚠️ 重要注意事项：
- batch_input_shape 中的 batch_size 设为 1 是 OpenCV DNN 的推荐实践（多 batch 需手动循环）；
- 若原始模型使用 Input(shape=(None, None, 1))（无 batch 维），batch_input_shape 是唯一可靠的覆盖方式；input_shape 字段通常不可写或无效；
- 修改后务必调用 new_model.compile()（若需训练）或直接 save() 导出：
new_model.save("smfish_static.h5", include_optimizer=False) # 或导出为 SavedModel 供 ONNX 转换 tf.keras.models.save_model(new_model, "smfish_static_savedmodel") - 对于含 UpSampling2D、Concatenate 等依赖动态 shape 的层，只要输入尺寸固定，其输出 shape 会自动静态化（如 UpSampling2D(size=2) 在 256×256 输入下稳定输出 512×512），无需额外处理。
最终，导出的 ONNX 模型将拥有明确的 input: [1, 1, 256, 256] 张量定义，OpenCV C++ 代码可安全调用：
cv::Mat input = cv::dnn::blobFromImage(image, 1.0, cv::Size(256, 256), cv::Scalar(), true, false); net.setInput(input); cv::Mat output = net.forward();
此方案简洁、鲁棒、无需重写模型代码，是生产环境中适配轻量级推理引擎的标准实践。
