受tf.keras.Model subclassing的启发，我创建了自定义模型。
我可以训练它并获得成功的结果，但是我无法保存。
我在tensorflow v1.10（或v1.9）中使用python3.6
此处的最小完整代码示例：
import tensorflow as tf
from tensorflow.keras.datasets import mnist
class Classifier(tf.keras.Model):
def __init__(self):
super().__init__(name="custom_model")
self.batch_norm1 = tf.layers.BatchNormalization()
self.conv1 = tf.layers.Conv2D(32, (7, 7))
self.pool1 = tf.layers.MaxPooling2D((2, 2), (2, 2))
self.batch_norm2 = tf.layers.BatchNormalization()
self.conv2 = tf.layers.Conv2D(64, (5, 5))
self.pool2 = tf.layers.MaxPooling2D((2, 2), (2, 2))
def call(self, inputs, training=None, mask=None):
x = self.batch_norm1(inputs)
x = self.conv1(x)
x = tf.nn.relu(x)
x = self.pool1(x)
x = self.batch_norm2(x)
x = self.conv2(x)
x = tf.nn.relu(x)
x = self.pool2(x)
return x
if __name__ == '__main__':
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train = x_train.reshape(*x_train.shape, 1)[:1000]
y_train = y_train.reshape(*y_train.shape, 1)[:1000]
x_test = x_test.reshape(*x_test.shape, 1)
y_test = y_test.reshape(*y_test.shape, 1)
y_train = tf.keras.utils.to_categorical(y_train)
y_test = tf.keras.utils.to_categorical(y_test)
model = Classifier()
inputs = tf.keras.Input((28, 28, 1))
x = model(inputs)
x = tf.keras.layers.Flatten()(x)
x = tf.keras.layers.Dense(10, activation="sigmoid")(x)
model = tf.keras.Model(inputs=inputs, outputs=x)
model.compile(optimizer="adam", loss="binary_crossentropy", metrics=["accuracy"])
model.fit(x_train, y_train, epochs=1, shuffle=True)
model.save("./my_model")
错误消息：
1000/1000 [==============================] - 1s 1ms/step - loss: 4.6037 - acc: 0.7025
Traceback (most recent call last):
File "/home/user/Data/test/python/mnist/mnist_run.py", line 62, in <module>
model.save("./my_model")
File "/home/user/miniconda3/envs/ml3.6/lib/python3.6/site-packages/tensorflow/python/keras/engine/network.py", line 1278, in save
save_model(self, filepath, overwrite, include_optimizer)
File "/home/user/miniconda3/envs/ml3.6/lib/python3.6/site-packages/tensorflow/python/keras/engine/saving.py", line 101, in save_model
'config': model.get_config()
File "/home/user/miniconda3/envs/ml3.6/lib/python3.6/site-packages/tensorflow/python/keras/engine/network.py", line 1049, in get_config
layer_config = layer.get_config()
File "/home/user/miniconda3/envs/ml3.6/lib/python3.6/site-packages/tensorflow/python/keras/engine/network.py", line 1028, in get_config
raise NotImplementedError
NotImplementedError
Process finished with exit code 1
我查看了错误行，发现 get_config 方法检查 self._is_graph_network
有人处理这个问题吗？
谢谢！
更新1：
在keras 2.2.2上（不是tf.keras）
找到评论（用于模型保存）
文件：keras / engine / network.py
函数：get_config
＃子类网络不可序列化
＃（除非由
实现序列化 ＃子网络的作者）。
因此，显然它不起作用...
我想知道，他们为什么不在documentation中指出（例如：“使用子类却无法保存！”）
更新2：
在keras documentation中找到：
在子类化模型中，模型的拓扑定义为Python代码
（而不是作为图层的静态图）。这意味着该模型的
无法检查或序列化拓扑。结果，以下内容
方法和属性不适用于子类化模型：model.inputs和model.outputs。
model.to_yaml（）和model.to_json（）
model.get_config（）和model.save（）。
因此，无法使用子类保存模型。
只能使用Model.save_weights()
答案 0 :(得分：7)
TL; DR：
model.save()用于自定义子类keras模型； save_weights()和load_weights()。在Tensorflow团队的帮助下，保存自定义子类Keras模型的最佳实践是保存其权重并在需要时将其加载回去。
我们之所以不能简单地保存Keras自定义子类模型，是因为它包含自定义代码，无法安全序列化。但是，当我们具有相同的模型结构和自定义代码时，可以保存/加载权重。
Keras的作者Francois Chollet撰写了一篇很棒的教程，内容涉及如何在here的Colab中的Tensorflow 2.0中保存/加载顺序/功能/ Keras /自定义子类模型。在保存子类模型部分中，它表示：
顺序模型和功能模型是表示层DAG的数据结构。这样，它们可以安全地序列化和反序列化。
子类化模型的不同之处在于，它不是数据结构，而是数据结构。 一段代码。模型的架构是通过主体定义的 调用方法。这意味着模型的架构 无法安全地序列化。要加载模型，您需要 访问创建它的代码（模型子类的代码）。 或者，您可以将此代码序列化为字节码（例如 通过酸洗），但这是不安全的，而且通常不方便携带。
答案 1 :(得分：4)
此问题将根据1.13 pre-release patch notes在即将发布的版本中解决：
- Keras和Python API：
- 已分类的Keras模型现在可以通过
tf.contrib.saved_model.save_keras_model保存。
编辑： 看来这还不像笔记所建议的那样完成。 docs for that function for v1.13状态：
模型限制：-顺序模型和功能模型始终可以保存。 -只有当serve_only = True时才能保存分类模型。这是由于当前的实现会复制模型以导出训练图和评估图。由于无法确定子类模型的拓扑，因此无法克隆子类模型。子类别的模型将来将完全可导出。
答案 2 :(得分：4)
Tensorflow 2.1允许以SavedModel格式保存子类模型
从开始使用Tensorflow以来，我一直是Model Subclass的粉丝，我觉得这种建立模型的方式更加Pythonic和协作友好。但是，使用这种方法保存模型始终是一个难题。
最近，我开始更新我的知识，并了解以下information似乎对 Tensorflow 2.1 来说是正确的：
我发现了this
第二种方法是使用model.save保存整个模型，并通过 使用load_model恢复以前存储的子类模型。
最后将模型，重量和其他内容保存到SavedModel文件中
最后是confirmation：
保存自定义对象： 如果您使用的是SavedModel格式，则可以 跳过本节。 HDF5和SavedModel之间的主要区别是 HDF5使用对象配置保存模型架构，而 SavedModel保存执行图。因此， SavedModels能够 不保存子类模型和自定义图层之类的自定义对象 需要原始代码。
我亲自进行了测试，有效地，子类模型的model.save（）生成了SavedModel保存。不再需要使用model.save_weights（）或相关函数，它们现在更多地用于特定用例。
对于所有对模型子分类感兴趣的人，这应该是这条痛苦道路的尽头。
答案 3 :(得分：1)
其实tensorflow文档说：
<块引用>为了保存/加载具有自定义层的模型或子类模型，您应该覆盖 get_config 和可选的 from_config 方法。此外，您应该使用 register 自定义对象，以便 Keras 知道它。
例如：
class Linear(keras.layers.Layer):
def __init__(self, units=32, **kwargs):
super(Linear, self).__init__(**kwargs)
self.units = units
def build(self, input_shape):
self.w = self.add_weight(
shape=(input_shape[-1], self.units),
initializer="random_normal",
trainable=True,
)
self.b = self.add_weight(
shape=(self.units,), initializer="random_normal", trainable=True
)
def call(self, inputs):
return tf.matmul(inputs, self.w) + self.b
def get_config(self):
config = super(Linear, self).get_config()
config.update({"units": self.units})
return config
layer = Linear(64)
config = layer.get_config()
print(config)
new_layer = Linear.from_config(config)
输出为：
{'name': 'linear_8', 'trainable': True, 'dtype': 'float32', 'units': 64}
你可以玩这个简单的代码。例如，在函数“get_config()”中，删除config.update()，看看发生了什么。有关详细信息，请参阅 this 和 this。这些是 tensorflow 网站上的 Keras 指南。
答案 4 :(得分：1)
我找到了解决它的方法。创建一个新模型并从保存的 .h5 模型加载权重。这种方式不是首选，但它适用于 keras 2.2.4 和 tensorflow 1.12。
class MyModel(keras.Model):
def __init__(self, inputs, *args, **kwargs):
outputs = func(inputs)
super(MyModel, self).__init__( inputs=inputs, outputs=outputs, *args, **kwargs)
def get_model():
return MyModel(inputs, *args, **kwargs)
model = get_model()
model.save(‘file_path.h5’)
model_new = get_model()
model_new.compile(optimizer=optimizer, loss=loss, metrics=metrics)
model_new.load_weights(‘file_path.h5’)
model_new.evaluate(x_test, y_test, **kwargs)
答案 5 :(得分：0)
在model.predict之前使用tf.saved_model.save
答案 6 :(得分：0)
实际上是通过以下方式重新创建模型
keras.models.load_model('path_to_my_model')
不是为我工作
首先，我们必须从构建的模型中保存权重
model.save_weights('model_weights', save_format='tf')
然后 我们必须为子类Model初始化一个新实例，然后使用已建模型的一条记录和load_weights进行编译和train_on_batch
loaded_model = ThreeLayerMLP(name='3_layer_mlp')
loaded_model.compile(optimizer="adam", loss="binary_crossentropy", metrics=["accuracy"])
loaded_model.train_on_batch(x_train[:1], y_train[:1])
loaded_model.load_weights('model_weights')
这在TensorFlow == 2.2.0中完美工作