解决Keras 中加入lambda层无法正常载入模型问题_Python

解决Keras 中加入lambda层无法正常载入模型问题

2020-06-17 10:56机器玄学实践者 Python

这篇文章主要介绍了解决Keras 中加入lambda层无法正常载入模型问题，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

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Nonetype has no attribute '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

				?

									def slice(self,x, turn):

									  """ Define a tensor slice function

									  """

									  return x[:, turn, :, :]

									def reduce_mean(self, X):

									  return K.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't pickle _thread.RLock objects

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。

				?

									from keras.models import load_model

									import tensorflow as tf

									import os, sys

									from keras import backend as K

									from tensorflow.python.framework import graph_util, graph_io

									def h5_to_pb(h5_weight_path, output_dir, out_prefix="output_", log_tensorboard=True):

									  if not os.path.exists(output_dir):

									    os.mkdir(output_dir)

									  h5_model = build_model()

									  h5_model.load_weights(h5_weight_path)

									  out_nodes = []

									  for i in range(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)

									  if log_tensorboard:

									    from tensorflow.python.tools import import_pb_to_tensorboard

									    import_pb_to_tensorboard.import_to_tensorboard(os.path.join(output_dir, model_name), output_dir)

									def build_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)

									  return h5_model

									if __name__ == '__main__':

									  if len(sys.argv) == 3:

									    # usage: python3 h5_to_pb.py h5_weight_path output_dir

									    h5_to_pb(h5_weight_path=sys.argv[1], output_dir=sys.argv[2])