不进行训练 直接将权重赋值给网络 最后通过Keras生成H5

在Keras或其他深度学习框架中，如果你不打算训练模型而是想要直接将预设的权重加载到网络中，你可以按照以下步骤操作：

1. **准备权重数据**：首先，你需要有一个已经计算好的权重文件，通常是`.h5`、`.npy`或`.csv`等格式，存储了你在其他地方（如TensorFlow的`tf.Variable`或PyTorch的`torch.nn.Parameter`）计算好的模型参数。

2. **定义模型结构**：在Keras中，你需要创建一个与其权重对应的模型架构。确保你构建的模型与权重文件中的模型结构一致，包括层数、节点数、激活函数等。

3. **加载权重**：利用Keras提供的功能，如`load_weights()`或者`model.set_weights()`，直接加载预先保存的权重文件到模型的各个层上。例如，对于一个Sequential模型，你可以这样做：

   model = keras.models.Sequential([...])
   model.load_weights('pretrained_weights.h5')

4. **生成H5文件**：如果你想将模型结构和当前的权重合并成一个新的H5文件，可以直接使用`model.save('new_model.h5')`。这一步会保存整个模型，包括结构和权重。

5. **验证权重一致性**：确认新生成的H5文件与预期是否一致，可以通过比较两个模型的结构和加载权重后的输出结果来验证。