Python 如何将具有自定义keras图层（.h5）的keras模型冻结为tensorflow图（.pb）？

我正在尝试实现一个更快的目标检测RCNN模型。在我使用

model\u all.save（'filename.h5'）

训练并保存模型后，我尝试将Keras模型冻结为TensorFlow图（as

.pb

），以便使用Amir Abdi编写的进行推理。但是当我尝试转换它时，由于自定义的

roipoolgconv

层，我得到了一个

ValueError:Unknown层：roipoolgconv

：

class RoiPoolingConv(Layer):
'''ROI pooling layer for 2D inputs.
See Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition,
K. He, X. Zhang, S. Ren, J. Sun
# Arguments
    pool_size: int
        Size of pooling region to use. pool_size = 7 will result in a 7x7 region.
    num_rois: number of regions of interest to be used
# Input shape
    list of two 4D tensors [X_img,X_roi] with shape:
    X_img:
    `(1, rows, cols, channels)`
    X_roi:
    `(1,num_rois,4)` list of rois, with ordering (x,y,w,h)
# Output shape
    3D tensor with shape:
    `(1, num_rois, channels, pool_size, pool_size)`
'''
def __init__(self, pool_size, num_rois, **kwargs):

    self.dim_ordering = K.image_dim_ordering()
    self.pool_size = pool_size
    self.num_rois = num_rois

    super(RoiPoolingConv, self).__init__(**kwargs)

def build(self, input_shape):
    self.nb_channels = input_shape[0][3]   

def compute_output_shape(self, input_shape):
    return None, self.num_rois, self.pool_size, self.pool_size, self.nb_channels

def call(self, x, mask=None):

    assert(len(x) == 2)

    # x[0] is image with shape (rows, cols, channels)
    img = x[0]

    # x[1] is roi with shape (num_rois,4) with ordering (x,y,w,h)
    rois = x[1]

    input_shape = K.shape(img)

    outputs = []

    for roi_idx in range(self.num_rois):

        x = rois[0, roi_idx, 0]
        y = rois[0, roi_idx, 1]
        w = rois[0, roi_idx, 2]
        h = rois[0, roi_idx, 3]

        x = K.cast(x, 'int32')
        y = K.cast(y, 'int32')
        w = K.cast(w, 'int32')
        h = K.cast(h, 'int32')

        # Resized roi of the image to pooling size (7x7)
        rs = tf.image.resize_images(img[:, y:y+h, x:x+w, :], (self.pool_size, self.pool_size))
        outputs.append(rs)


    final_output = K.concatenate(outputs, axis=0)

    # Reshape to (1, num_rois, pool_size, pool_size, nb_channels)
    # Might be (1, 4, 7, 7, 3)
    final_output = K.reshape(final_output, (1, self.num_rois, self.pool_size, self.pool_size, self.nb_channels))

    # permute_dimensions is similar to transpose
    final_output = K.permute_dimensions(final_output, (0, 1, 2, 3, 4))

    return final_output


def get_config(self):
    config = {'pool_size': self.pool_size,
              'num_rois': self.num_rois}
    base_config = super(RoiPoolingConv, self).get_config()
    return dict(list(base_config.items()) + list(config.items()))

我已经查看了大部分资源，几乎所有资源都建议对这一层进行注释。但是，由于这一层对于目标检测很重要，我想知道是否有一个解决办法

错误的完整回溯（注意：我已将文件名保存为

freezekeras.py

，内容与

keras\u to\u tensorflow.py

）相同：

使用TensorFlow后端。
回溯（最近一次呼叫最后一次）：
文件“freezekeras.py”，第181行，在
应用程序运行（主）
文件“/usr/local/lib/python3.5/dist-packages/absl/app.py”，第300行，运行中
_运行_main（main，args）
文件“/usr/local/lib/python3.5/dist-packages/absl/app.py”，第251行，在主
系统出口（主（argv））
文件“freezekeras.py”，第127行，在main中
model=load\u model（FLAGS.input\u model、FLAGS.input\u model\u json、FLAGS.input\u model\u yaml）
文件“freezekeras.py”，第105行，在load_模型中
提出错误的\u文件\u错误
文件“freezekeras.py”，第62行，在load_模型中
模型=keras.models.load\u模型（输入模型路径）
文件“/usr/local/lib/python3.5/dist-packages/keras/engine/saving.py”，第419行，在load_模型中
model=\反序列化\模型（f，自定义\对象，编译）
文件“/usr/local/lib/python3.5/dist-packages/keras/engine/saving.py”，第225行，在反序列化模型中
模型=来自配置的模型（模型配置，自定义对象=自定义对象）
文件“/usr/local/lib/python3.5/dist-packages/keras/engine/saving.py”，第458行，型号为
返回反序列化（配置，自定义对象=自定义对象）
文件“/usr/local/lib/python3.5/dist-packages/keras/layers/_-init__.py”，第55行，反序列化
可打印\u模块\u name='layer'）
文件“/usr/local/lib/python3.5/dist packages/keras/utils/generic_utils.py”，第145行，反序列化_keras_对象
列表（自定义对象.项（））
文件“/usr/local/lib/python3.5/dist packages/keras/engine/network.py”，第1022行，from_config
处理层（层数据）
文件“/usr/local/lib/python3.5/dist-packages/keras/engine/network.py”，第1008行，进程层中
自定义对象=自定义对象）
文件“/usr/local/lib/python3.5/dist-packages/keras/layers/_-init__.py”，第55行，反序列化
可打印\u模块\u name='layer'）
文件“/usr/local/lib/python3.5/dist packages/keras/utils/generic_utils.py”，第138行，反序列化_keras_对象
“：”+类名）
ValueError:未知层：ROIPoolGCONV

尝试明确指定自定义图层：

model = load_model('my_model.h5', custom_objects={'RoiPoolingConv': RoiPoolingConv})

显然，您必须将

keras\u重新编写为\u tensorflow.py

脚本。请参见解决方案下的“保存的模型”部分中的“处理自定义图层（或其他自定义对象）”

在

keras\u to\u tensorflow.py中加载模型时指定自定义层

将RoipoolConv.py导入keras\u to\u tensorflow项目

为ROIPOOLGCONV指定默认池大小、ROI数量

---

请提供错误的完整跟踪堆栈。确定！我加了，谢谢！我没有在正确的位置进行搜索，我修改了代码，它工作正常。

model = load_model('my_model.h5', custom_objects={'RoiPoolingConv': RoiPoolingConv})

    model = keras.models.load_model(input_model_path, custom_objects={'RoiPoolingConv':RoiPoolingConv})

    def __init__(self, pool_size = 7, num_rois = 32, **kwargs):