解决Keras 中加入lambda层无法正常载入模型问题
刚刚解决了这个问题，现在记录下来
问题描述
当使用lambda层加入自定义的函数后，训练没有bug，载入保存模型则显示Nonetypehasnoattribute'get'
问题解决方法：
这个问题是由于缺少config信息导致的。lambda层在载入的时候需要一个函数，当使用自定义函数时，模型无法找到这个函数，也就构建不了。
m=load_model(path,custom_objects={"reduce_mean":self.reduce_mean,"slice":self.slice})
其中，reduce_mean和slice定义如下
defslice(self,x,turn): """Defineatensorslicefunction """ returnx[:,turn,:,:] defreduce_mean(self,X): returnK.mean(X,axis=-1)
补充知识：含有Lambda自定义层keras模型，保存遇到的问题及解决方案
一，许多应用，keras含有的层已经不能满足要求，需要透过Lambda自定义层来实现一些layer，这个情况下，只能保存模型的权重，无法使用model.save来保存模型。
保存时会报
TypeError:can'tpickle_thread.RLockobjects
二，解决方案，为了便于后续的部署，可以转成tensorflow的PB进行部署。
fromkeras.modelsimportload_model importtensorflowastf importos,sys fromkerasimportbackendasK fromtensorflow.python.frameworkimportgraph_util,graph_io defh5_to_pb(h5_weight_path,output_dir,out_prefix="output_",log_tensorboard=True): ifnotos.path.exists(output_dir): os.mkdir(output_dir) h5_model=build_model() h5_model.load_weights(h5_weight_path) out_nodes=[] foriinrange(len(h5_model.outputs)): out_nodes.append(out_prefix+str(i+1)) tf.identity(h5_model.output[i],out_prefix+str(i+1)) model_name=os.path.splitext(os.path.split(h5_weight_path)[-1])[0]+'.pb' sess=K.get_session() init_graph=sess.graph.as_graph_def() main_graph=graph_util.convert_variables_to_constants(sess,init_graph,out_nodes) graph_io.write_graph(main_graph,output_dir,name=model_name,as_text=False) iflog_tensorboard: fromtensorflow.python.toolsimportimport_pb_to_tensorboard import_pb_to_tensorboard.import_to_tensorboard(os.path.join(output_dir,model_name),output_dir) defbuild_model(): inputs=Input(shape=(784,),name='input_img') x=Dense(64,activation='relu')(inputs) x=Dense(64,activation='relu')(x) y=Dense(10,activation='softmax')(x) h5_model=Model(inputs=inputs,outputs=y) returnh5_model if__name__=='__main__': iflen(sys.argv)==3: #usage:python3h5_to_pb.pyh5_weight_pathoutput_dir h5_to_pb(h5_weight_path=sys.argv[1],output_dir=sys.argv[2])
以上这篇解决Keras中加入lambda层无法正常载入模型问题就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。