加载Keras预训练模型（输入变量“未定义”）后，feed dict出现问题

我有一个预先训练的模型，定义如下：

row = keras.Input(shape=(2,60), dtype='float32')
mu = keras.Input(shape=(2,), dtype='float32')
f = keras.Input(shape=(2,), dtype='float32')
rows = dict()
fc_rows_1 = dict()
#fc_rows_2 = dict()

shared_row = Dense(60, activation='relu', kernel_regularizer = regularizers.l2(l = 0.001))

mu_fc = Dense(10, activation='relu', kernel_regularizer = regularizers.l2(l = 0.001))(mu)
f_fc = Dense(10, activation='relu', kernel_regularizer = regularizers.l2(l = 0.001))(f)

#for i in range(2):
#    rows['row_{}'.format(i)] = rows_array[i,:]
#    fc_rows_1['row_{}'.format(i)] = shared_row(rows['row_{}'.format(i)])
rows['row_1'] = Lambda(lambda x: x[:, 0, :])(row)
rows['row_2'] = Lambda(lambda x: x[:, 1, :])(row)
fc_rows_1['row_1'] = shared_row(rows['row_1'])
fc_rows_1['row_2'] = shared_row(rows['row_2'])
concat_rows = Concatenate()([fc_rows_1['row_1']] + [fc_rows_1['row_2']]) 
#concat_rows = Dropout(0.2)(concat_rows)
fc_rows_2 = Dense(30, activation='relu', kernel_regularizer = regularizers.l2(l = 0.001))(concat_rows)    

#    row_list = [fc_rows_2] + [c]
#    concat_rows_2 = Concatenate()(row_list)
concat_rows_2 = Dropout(0.2)(fc_rows_2)

#    fc_cols_2 = Dropout(0.3)(fc_cols_2)

concat_list = [concat_rows_2] + [mu_fc] + [f_fc]

concat = Concatenate()(concat_list)

#fc_concat = Dropout(0.2)(concat)
fc_concat = concat
output = Dense(1, activation='linear')(fc_concat)

model = keras.Model(inputs=[row, mu, f], outputs=output)

需要注意的是，模型需要3个输入。然后我训练了这个模型，并将整个过程保存在h5文件中。将其加载到新文件后，我尝试了以下代码：

# optimize f
import keras.backend as K

session = K.get_session()
#model = keras.models.load_model('model.h5')
#session.run(tf.global_variables_initializer())
step = 0.01

row_0 = row_array[0]
mu_0 = mu_new[0]
f_0 = f_new[0]

f_adapt = f_0.copy()

row_0 = row_0.reshape(1,2,60)
mu_0 = mu_0.reshape(1,2,)
f_adapt = f_adapt.reshape(1,2,)

for i in range(50):
    grads = session.run(K.gradients(model.output, f), feed_dict={row: row_0, mu: mu_0, f: f_adapt})
    f_adapt += grads[0] * step
    print("iter:",i,f_adapt)
    if np.linalg.norm(grads) < 10**(-50):
        break

#优化f
将keras.backend作为K导入
session=K.get_session（）
#model=keras.models.load_model（'model.h5'））
#session.run（tf.global\u variables\u initializer（））
阶跃=0.01
行\u 0=行\u数组[0]
mu_0=mu_新[0]
f_0=f_新[0]
f_adapt=f_0.copy（）
行0=行0。重塑（1,2,60）
mu_0=mu_0.重塑（1,2，）
f_adapt=f_adapt.重塑（1,2，）
对于范围（50）内的i：
grads=session.run（K.gradients（model.output，f），feed_dict={row:row_0，mu:mu_0，f:f_adapt}）
f_adapt+=梯度[0]*步长
打印（“iter:，i，f_自适应）
如果np.linalg.norm（梯度）<10**（-50）：
打破

我得到以下错误：

NameError                                 Traceback (most recent call last)
<ipython-input-18-89ec662f423c> in <module>()
     18 
     19 for i in range(50):
---> 20     grads = session.run(K.gradients(model.output, f), feed_dict={row: row_0, mu: mu_0, f: f_adapt})
     21     f_adapt += grads[0] * step
     22     print("iter:",i,f_adapt)

NameError: name 'f' is not defined

namererror回溯（最近一次调用）
在（）
18
范围（50）内的i为19：
--->20 grads=session.run（K.gradients（model.output，f），feed_dict={row:row_0，mu:mu_0，f:f_adapt}）
21 f_自适应+=梯度[0]*步长
22打印（“iter:，i，f_适应）
NameError:未定义名称“f”

---

我想知道为什么在加载模型后找不到输入变量“f”。谢谢大家!

我真的弄明白了。在我保存模型时，似乎没有存储最初定义的局部变量。所以为了使用这些输入张量，我必须使用model.inputs。新守则是：

for i in range(50):
    grads = session.run(K.gradients(model.output, model.inputs[2]), feed_dict={model.inputs[0]: row_0, model.inputs[1]: mu_0, model.inputs[2]: f_adapt})
    f_adapt += grads[0] * step
    print("iter:",i,f_adapt)
    if np.linalg.norm(grads) < 10**(-50):
        break

范围（50）内的i的

：
grads=session.run（K.gradients（model.output，model.inputs[2]），feed_dict={model.inputs[0]：row_0，model.inputs[1]：mu_0，model.inputs[2]：f_adapt}）
f_adapt+=梯度[0]*步长
打印（“iter:，i，f_自适应）
如果np.linalg.norm（梯度）<10**（-50）：
打破