在模型中使用reduce_mean时无法保存Keras模型吗？

Question

Keras代码段显示为：

second_input = inputs_d['second_input']
selected = embedding_layer(second_input)
item_average = tf.reduce_mean(selected, axis=1, keepdims=True)
second_input_encoded = tf.keras.layers.Reshape((3,))(item_average)

如果我将second_input从shape（5，）更改为shape（1，），并摆脱了reduce_mean，则代码运行正常。

错误消息显示为：

  

/site-packages/tensorflow/python/util/serialization.py“，第69行，在   get_json_type       引发TypeError（'Not JSON Serializable：'，obj）TypeError：（'Not JSON Serializable：'，   b“ \ n \ x04Mean \ x12 \ x04Mean \ x1a'embedding_1 / embedding_lookup / Identity_2 \ x1a \ x16Mean / reduction_indices * \ x07 \ n \ x01T \ x12 \ x020 \ x01 * \ n \ n \ x04Tidx \ x12 \ x020 \ x03 * \ x0f \ n \ tkeep_dims \ x12 \ x02（\ x01“）

Answer 1

您需要使用Lambda层来执行自定义操作：

item_average = tf.keras.layers.Lambda(lambda x: tf.reduce_mean(x, axis=1, keepdims=True))(selected)

Keras层的输出是TF张量，但是增加了一些额外的Keras特定属性，这些属性是构建模型所必需的。当您直接使用tf.reduce_mean时，其输出将是没有那些附加属性的张量。但是，当您在Lambda层中执行相同的操作时，将添加这些附加属性，因此一切将正常工作。

Answer 2

以keras.layers模块内部的大写字母开头的对象（例如Dense，LSTM ....）是遵循Layer(...)(input)约定的图层，而小写字母直接应用于张量。 custom loss functions或自定义图层（例如Lambda或this example）的有用的内部。