Anaconda 我能'；t加载我的nn模型，我'；我训练并拯救了他们

我使用迁移学习来训练模型。基本模型是

efficientNet

。 你可以阅读更多关于它的内容

激活函数 类开关激活（激活）：

模型定义 将2个完全连接的层添加到B0。 我使用以下方法保存它：

model.save（'model.h5'））

尝试加载时出现以下错误：

model=tf.keras.models.load_model（'model.h5'））
---------------------------------------------------------------------------
ValueError回溯（最近一次调用上次）
在（）
1#重新创建完全相同的模型，包括其权重和优化器
---->2 model=tf.keras.models.load_model（'PhoneDetection-CNN_29_July.h5'））
3.
4#展示模型架构
5.范本摘要（）
10帧
/usr/local/lib/python3.6/dist-packages/tensorflow/python/keras/utils/generic_utils.py类中的usr/local/lib/python3.6/dist-packages
319 cls=获取注册对象（类名称、自定义对象、模块对象）
320如果cls为无：
-->321提升值错误（'Unknown'+可打印模块名称+'：'+类名称）
322
323 cls_config=config['config']
ValueError:未知层：FixedDropout
```蟒蛇

我试图通过加载保存的模型进行推断时，遇到了相同的错误。 然后我也在推理笔记本中导入了

efficientnet

库，错误消失了。 我的导入命令如下所示：

import efficientnet.keras as efn

---

（请注意，如果您尚未安装efficientnet（这不太可能），可以使用

！pip install efficientnet

命令进行安装。）

我在最近的型号上也遇到了同样的问题。研究源代码可以找到类。我通过导入后端和层将其添加到推理代码中。该比率还应与您的efficientnet模型中的比率相匹配，因此对于该模型，该比率为.2（其他则不同）

---

您需要通过

自定义对象

参数告诉

load\u model

在哪里可以找到

fixedropout

。我在培训后使用model.get\u config，它给了我一个模型配置的长字典，然后我将配置保存在pickle文件中。之后，我将其用于自定义_对象，但它给出了相同的错误。您能分享创建模型的代码吗？这里应该有一个对

FixedDropout

的引用。您需要传入

custom_objects={“fixedropout”：fixedropout}

I提供了用于创建模型和定制激活fcn的代码。正如您所建议的@jakub，我使用了

custom_objects={“fixedropout”：fixedropout}

，但它给出了：

NameError:name“fixedropout”未定义

。如果您查看我最初在帖子中提到的链接，您会注意到FixedDropout在模型的结构中使用了9次。@AliBesharati您找到过解决方案吗？我也有同样的问题！

def __init__(self, activation, **kwargs):
    super(SwishActivation, self).__init__(activation, **kwargs)
    self.__name__ = 'swish_act'

def swish_act(x, beta = 1):
    return (x * sigmoid(beta * x))

from keras.utils.generic_utils import get_custom_objects
from keras.layers import Activation
get_custom_objects().update({'swish_act': SwishActivation(swish_act)})

model = enet.EfficientNetB0(include_top=False, input_shape=(150,50,3), pooling='avg', weights='imagenet')

x = model.output

x = BatchNormalization()(x)
x = Dropout(0.7)(x)

x = Dense(512)(x)
x = BatchNormalization()(x)
x = Activation(swish_act)(x)
x = Dropout(0.5)(x)

x = Dense(128)(x)
x = BatchNormalization()(x)
x = Activation(swish_act)(x)

x = Dense(64)(x)

x = Dense(32)(x)

x = Dense(16)(x)

# Output layer
predictions = Dense(1, activation="sigmoid")(x)

model_final = Model(inputs = model.input, outputs = predictions)

model_final.summary()

import efficientnet.keras as efn

from tensorflow.keras import backend, layers
class FixedDropout(layers.Dropout):
        def _get_noise_shape(self, inputs):
            if self.noise_shape is None:
                return self.noise_shape

            symbolic_shape = backend.shape(inputs)
            noise_shape = [symbolic_shape[axis] if shape is None else shape
                           for axis, shape in enumerate(self.noise_shape)]
            return tuple(noise_shape)
model = keras.models.load_model('model.h5', custom_objects={'FixedDropout':FixedDropout(rate=0.2)})