keras和tf.keras模型之间的兼容性

我感兴趣的是在tf.keras中训练一个模型，然后用keras加载它。我知道这不是很明智，但我对使用tf.keras来训练模型感兴趣，因为

tf.keras更容易构建输入管道

我想利用tf.dataset API

我有兴趣把keras装进去因为

我想使用coreml将模型部署到ios

我想使用coremltools将我的模型转换为ios，coreml工具只适用于keras，而不适用于tf.keras

我遇到了一些障碍，因为不是所有的tf.keras层都可以作为keras层加载。例如，我使用简单的DNN没有问题，因为tf.keras和keras之间的所有致密层参数都是相同的。但是，我在使用RNN层时遇到了问题，因为tf.keras有一个keras没有的参数

time\u major

。我的RNN层具有

time\u major=False

，这与keras的行为相同，但keras顺序层没有此参数

我现在的解决方案是将tf.keras模型保存在一个json文件中（用于模型结构），删除keras不支持的部分图层，并保存一个h5文件（用于权重），如下所示：

model = # model trained with tf.keras

# save json
model_json = model.to_json()
with open('path_to_model_json.json', 'w') as json_file:
    json_ = json.loads(model_json)
    layers = json_['config']['layers']
    for layer in layers:
        if layer['class_name'] == 'SimpleRNN':
            del layer['config']['time_major']
    json.dump(json_, json_file)

# save weights
model.save_weights('path_to_my_weights.h5')

with CustomObjectScope({'GlorotUniform': glorot_uniform()}):
    coreml_model = coremltools.converters.keras.convert(
        model=('path_to_model_json','path_to_my_weights.h5'),
        input_names=#inputs, 
        output_names=#outputs,
        class_labels = #labels, 
        custom_conversion_functions = { "GlorotUniform": tf.keras.initializers.glorot_uniform
                                            }
    )
    coreml_model.save('my_core_ml_model.mlmodel')

然后，我使用coremlconverter工具将keras转换为coreml，如下所示：

model = # model trained with tf.keras

# save json
model_json = model.to_json()
with open('path_to_model_json.json', 'w') as json_file:
    json_ = json.loads(model_json)
    layers = json_['config']['layers']
    for layer in layers:
        if layer['class_name'] == 'SimpleRNN':
            del layer['config']['time_major']
    json.dump(json_, json_file)

# save weights
model.save_weights('path_to_my_weights.h5')

with CustomObjectScope({'GlorotUniform': glorot_uniform()}):
    coreml_model = coremltools.converters.keras.convert(
        model=('path_to_model_json','path_to_my_weights.h5'),
        input_names=#inputs, 
        output_names=#outputs,
        class_labels = #labels, 
        custom_conversion_functions = { "GlorotUniform": tf.keras.initializers.glorot_uniform
                                            }
    )
    coreml_model.save('my_core_ml_model.mlmodel')

我的解决方案似乎有效，但我想知道是否有更好的方法？或者，这种做法是否存在迫在眉睫的危险？例如，有没有更好的方法将tf.keras模型转换为coreml？还是有更好的方法将tf.keras模型转换为keras？还是有更好的方法，我还没有想到

---

关于此事的任何建议都将不胜感激：）

我觉得你的方法很好

过去，当我不得不将

tf.keras

模型转换为

keras

模型时，我做了以下工作：

• tf.keras中的列车模型

• 仅保存权重

  tf\u模型。保存权重（“tf\u模型.hdf5”）

• 使用Keras中的所有层制作Keras模型架构（与tf Keras相同）
• 按keras中的图层名称加载权重：

  keras\u模型。加载权重（按\u name=True）

这似乎对我有用。因为我使用的是开箱即用的体系结构（DenseNet169），所以将tf.keras网络复制到keras需要做的工作非常少