Python Keras Lambda CTC无法获取要加载的模型

您好，我有一个基于此的模型，它可以正常保存，但无法加载（完整模式或json/权重），因为没有正确定义损失

inputs = Input(name='inputs', shape=(None, num_features))
...
o = TimeDistributed(Dense(num_hiddens))(inputs)

# Output layer
outputs = TimeDistributed(Dense(num_classes))(o)

# Define placeholders
labels = Input(name='labels', shape=(None,), dtype='int32', sparse=True)
inputs_length = Input(name='inputs_length', shape=(None,), dtype='int32')

# Define a decoder
dec = Lambda(ctc_utils.decode, output_shape=ctc_utils.decode_output_shape,
             arguments={'is_greedy': True}, name='decoder')
y_pred = dec([output, inputs_length])

loss = ctc_utils.ctc_loss(output, labels, input_length)


model = Model(input=[inputs, labels, inputs_length], output=y_pred)
model.add_loss(loss)

opt = Adam(lr=args.lr, clipnorm=args.clipnorm)

 # Compile with dummy loss
 model.compile(optimizer=opt, loss=None, metrics=[metrics.ler])

这将编译并运行（注意，它使用了add_loss函数，该函数没有很好的文档记录）。它甚至可以通过一点工作来保存——正如本文所提示的（），您可以通过强制完成图形来保存它。我通过制作一个虚拟的lambda损失函数来引入不完全属于图形的输入，现在这似乎起作用了

#this captures all the dangling nodes so will now save
fake_dummy_loss = Lambda(fake_ctc_loss,output_shape(1,),name=ctc)([y_pred,labels,inputs_length])

def fake_ctc_loss(args):
return tf.Variable(tf.zeros([1]),name="fakeloss")

我们可以将其添加到模型中，如下所示：

model = Model(input=[inputs, labels, inputs_length], output=[y_pred, fake_dummy_loss])

现在，当尝试加载时，loss表示它无法加载，因为它缺少loss函数（我猜这是因为尽管使用了add_loss，但它被设置为None）

---

这里的任何帮助都值得赞赏

我在我的一个项目中遇到了一个类似的问题，

add\u loss

用于手动向我的模型中添加自定义损失函数。您可以在这里看到我的模型：正如您所发现的，用

load\u model

加载模型失败，抱怨丢失了一个损失函数

无论如何，我的解决方案是保存和加载模型的权重，而不是整个模型。

model

类有一个

save\u weights

方法，这里讨论了这个方法：同样，也有一个

load\u weights

方法。使用这些方法，您应该能够很好地保存和加载模型。缺点是必须预先定义模型，然后加载权重。在我的项目中，这不是问题，只涉及一个小的重构

---

希望这能有所帮助。

好问题，@robmsmt。你是不是碰巧找到了解决办法？