Python 使用自定义图层保存Keras模型

我正在尝试将Keras模型保存在H5文件中。Keras模型有一个自定义层。 当我尝试恢复模型时，出现以下错误：

---------------------------------------------------------------------------
ValueError回溯（最近一次调用上次）
在（）
1.save型号（'model.h5'）
2-del模型
---->3模型=tf.keras.models.load_模型（'model.h5'））
8帧
/usr/local/lib/python3.6/dist-packages/tensorflow/python/keras/utils/generic_utils.py类中的usr/local/lib/python3.6/dist-packages
319 cls=获取注册对象（类名称、自定义对象、模块对象）
320如果cls为无：
-->321提升值错误（'Unknown'+可打印模块名称+'：'+类名称）
322
323 cls_config=config['config']
ValueError:未知图层：CustomLayer

您能告诉我如何保存和加载所有自定义Keras层的重量吗？（另外，保存时没有警告，是否可以从我已经保存但现在无法加载的H5文件加载模型？）

以下是此错误的最小工作代码示例（MCVE）以及完整的扩展消息：

为了完整起见，这是我用来制作自定义图层的代码。

get_config

和

from_config

都工作正常

class自定义层（tf.keras.layers.Layer）：
定义初始化（self，k，name=None）：
超级（CustomLayer，self）。\uuuuu init\uuuuuu（name=name）
self.k=k
def get_配置（自身）：
返回{'k'：self.k}
def呼叫（自我，输入）：
返回tf.multiply（输入，2）
模型=tf.keras.models.Sequential([
tf.keras.Input（name='Input_layer'，shape=（10，），
CustomLayer（10，name='custom_layer'），
致密（1，激活='sigmoid'，名称='output\u layer'）
])
model.save（'model.h5'）
model=tf.keras.models.load_model（'model.h5'））

更正编号1是在

加载
保存的模型时使用
自定义对象
，即更换代码

new_model = tf.keras.models.load_model('model.h5') 

与

由于我们使用
自定义层
来
构建
模型
，在
保存它之前，我们应该在
加载它时使用
自定义对象

修正号2是在自定义层的
\uuuuu init\uuuuu
函数中添加
**kwargs
，如

def __init__(self, k, name=None, **kwargs):
        super(CustomLayer, self).__init__(name=name)
        self.k = k
        super(CustomLayer, self).__init__(**kwargs)

完整的工作代码如下所示：

import tensorflow as tf

class CustomLayer(tf.keras.layers.Layer):
    def __init__(self, k, name=None, **kwargs):
        super(CustomLayer, self).__init__(name=name)
        self.k = k
        super(CustomLayer, self).__init__(**kwargs)


    def get_config(self):
        config = super(CustomLayer, self).get_config()
        config.update({"k": self.k})
        return config

    def call(self, input):
        return tf.multiply(input, 2)

model = tf.keras.models.Sequential([
    tf.keras.Input(name='input_layer', shape=(10,)),
    CustomLayer(10, name='custom_layer'),
    tf.keras.layers.Dense(1, activation='sigmoid', name='output_layer')
])
tf.keras.models.save_model(model, 'model.h5')
new_model = tf.keras.models.load_model('model.h5', custom_objects={'CustomLayer': CustomLayer})

print(new_model.summary())

WARNING:tensorflow:No training configuration found in the save file, so the model was *not* compiled. Compile it manually.
Model: "sequential_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
custom_layer_1 (CustomLayer) (None, 10)                0         
_________________________________________________________________
output_layer (Dense)         (None, 1)                 11        
=================================================================
Total params: 11
Trainable params: 11
Non-trainable params: 0

上述代码的输出如下所示：

import tensorflow as tf

class CustomLayer(tf.keras.layers.Layer):
    def __init__(self, k, name=None, **kwargs):
        super(CustomLayer, self).__init__(name=name)
        self.k = k
        super(CustomLayer, self).__init__(**kwargs)


    def get_config(self):
        config = super(CustomLayer, self).get_config()
        config.update({"k": self.k})
        return config

    def call(self, input):
        return tf.multiply(input, 2)

model = tf.keras.models.Sequential([
    tf.keras.Input(name='input_layer', shape=(10,)),
    CustomLayer(10, name='custom_layer'),
    tf.keras.layers.Dense(1, activation='sigmoid', name='output_layer')
])
tf.keras.models.save_model(model, 'model.h5')
new_model = tf.keras.models.load_model('model.h5', custom_objects={'CustomLayer': CustomLayer})

print(new_model.summary())

WARNING:tensorflow:No training configuration found in the save file, so the model was *not* compiled. Compile it manually.
Model: "sequential_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
custom_layer_1 (CustomLayer) (None, 10)                0         
_________________________________________________________________
output_layer (Dense)         (None, 1)                 11        
=================================================================
Total params: 11
Trainable params: 11
Non-trainable params: 0

希望这有帮助。学习愉快
 您可以在回答中提到的
load\u model
方法中手动提供映射
custom\u对象
，但当您有许多自定义层（或定义了任何自定义可调用项，例如度量、损失、优化器等）时，这可能会很繁琐

Tensorflow提供了一个utils函数来自动执行此操作：

您必须按如下方式更新
CustomLayer
：

将tensorflow导入为tf
@tf.keras.utils.register_keras_serializable（）
类CustomLayer（tf.keras.layers.Layer）：
定义初始值（self，k，**kwargs）：
self.k=k
超级（自定义层，自我）。\uuuuu初始化（**kwargs）
def get_配置（自身）：
config=super（）
config[“k”]=self.k
返回配置
def呼叫（自我，输入）：
返回tf.multiply（输入，2）


以下是完整的工作代码：

import tensorflow as tf


@tf.keras.utils.register_keras_serializable()
class CustomLayer(tf.keras.layers.Layer):
    def __init__(self, k, **kwargs):
        self.k = k
        super(CustomLayer, self).__init__(**kwargs)

    def get_config(self):
        config = super().get_config()
        config["k"] = self.k
        return config

    def call(self, input):
        return tf.multiply(input, 2)


def main():
    model = tf.keras.models.Sequential(
        [
            tf.keras.Input(name='input_layer', shape=(10,)),
            CustomLayer(10, name='custom_layer'),
            tf.keras.layers.Dense(1, activation='sigmoid', name='output_layer')
        ]
    )
    print("SUMMARY OF THE MODEL CREATED")
    print("-" * 60)
    print(model.summary())
    model.save('model.h5')

    del model

    print()
    print()

    model = tf.keras.models.load_model('model.h5')
    print("SUMMARY OF THE MODEL LOADED")
    print("-" * 60)
    print(model.summary())

if __name__ == "__main__":
    main()

以及相应的输出：

SUMMARY OF THE MODEL CREATED
------------------------------------------------------------
Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
custom_layer (CustomLayer)   (None, 10)                0         
_________________________________________________________________
output_layer (Dense)         (None, 1)                 11        
=================================================================
Total params: 11
Trainable params: 11
Non-trainable params: 0
_________________________________________________________________
None


WARNING:tensorflow:No training configuration found in the save file, so the model was *not* compiled. Compile it manually.
SUMMARY OF THE MODEL LOADED
------------------------------------------------------------
Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
custom_layer (CustomLayer)   (None, 10)                0         
_________________________________________________________________
output_layer (Dense)         (None, 1)                 11        
=================================================================
Total params: 11
Trainable params: 11
Non-trainable params: 0
_________________________________________________________________
None

是的，我看到了，我照上面说的做了，对吧？我已经实现了
get_config
和
from_config
函数。但是他们从不保存整个模型，他们总是只保存权重。@AnimeshSinha，这个错误可以通过将
model=tf.keras.models.load\u model（'model.h5'）
替换为
tf.keras.models.load\u model（'model.h5'，custom\u objects={'CustomLayer'：CustomLayer}）
来解决。但是，这会导致其他错误。您的Google Colab无法访问。请你提供访问权限，以便我可以帮助你。谢谢抱歉@TensorflowWarriors，修复了链接。我将尝试自定义对象。@AnimeshSinha，请确认使用
自定义对象
是否解决了您的问题。您好，使用给定的自定义层保存模型是否需要更正2？谢谢