Python 是否保存完整的tf.keras模型而不保存自定义对象？

假设我们有一些模型，包括在培训期间非常重要的自定义损失和度量。是否可以保存完整的模型，以便在没有自定义对象的情况下保存权重+graphdef/pb文件

在推断过程中，不需要自定义损失和指标，因此

tf.keras.models.load_model("some_model", custom_objects={...})

…只会使推理代码更加复杂，因为需要包含自定义对象代码进行推理（尽管未使用）

但是，

tf.keras.callbacks.ModelCheckpoint

（即使使用

include\u optimizer=False

）以及调用

model.save（）

始终保存包含自定义对象的模型定义

因此，只需在模型中加载

tf.keras.models.load_model("some_model")

…将始终失败并抱怨缺少自定义对象

是否有可能在没有自定义损失/指标的情况下以某种方式保存整个模型？要获得易于加载的网络“推理”版本

或者，唯一的解决方案是将所有内容冻结到TFLite模型中

---

当然，可以简单地使用

model.save_weights（）

，但随后需要包含实际代码以供推断，这是不需要的。

如果目的是防止加载损失和度量，则可以使用

加载模型中的参数
compile
：

model = tf.keras.models.load_model("some_model", compile=False)

这应该跳过损失和度量/优化器的要求，因为模型没有编译。当然，您现在无法训练模型，但它应该可以很好地用于使用
model.predict（）进行推理