如何最好地添加一个预处理层(例如，将平均值和按STD划分(到Keras(v2.0.5(模型中，以使模型完全自我包含以进行部署(可能是在C 环境中(。我尝试了：
def getmodel():
model = Sequential()
mean_tensor = K.placeholder(shape=(1,1,3), name="mean_tensor")
std_tensor = K.placeholder(shape=(1,1,3), name="std_tensor")
preproc_layer = Lambda(lambda x: (x - mean_tensor) / (std_tensor + K.epsilon()),
input_shape=im_shape)
model.add(preproc_layer)
# Build the remaining model, perhaps set weights,
...
return model
然后，其他地方设置了模型上的均值/std。我找到了SET_VALUE函数，因此尝试了以下内容：
m = getmodel()
mean, std = get_mean_std(..)
graph = K.get_session().graph
mean_tensor = graph.get_tensor_by_name("mean_tensor:0")
std_tensor = graph.get_tensor_by_name("std_tensor:0")
K.set_value(mean_tensor, mean)
K.set_value(std_tensor, std)
但是，set_value失败了
AttributeError: 'Tensor' object has no attribute 'assign'
因此，set_value无法(有限(文档所建议的那样工作。这样做的正确方法是什么？获取TF会话，将所有培训代码包装在with (session)中并使用feed_dict？我本来以为会有一种本地keras设置张量值的方法。
而不是使用占位持有人，我尝试使用K.variable或K.constant在模型构建上设置平均/STD：
mean_tensor = K.variable(mean, name="mean_tensor")
std_tensor = K.variable(std, name="std_tensor")
这避免了任何set_value问题。尽管我注意到，如果我尝试训练该模型(我知道这不是特别有效，因为您正在重新完成每个图像的归一化(，但在第一个时期的结束时，ModelCheckpoint处理程序失败了，并且很深跟踪：
...
File "/Users/dgorissen/Library/Python/2.7/lib/python/site-packages/keras/models.py", line 102, in save_model
'config': model.get_config()
File "/Users/dgorissen/Library/Python/2.7/lib/python/site-packages/keras/models.py", line 1193, in get_config
return copy.deepcopy(config)
File "/usr/local/Cellar/python/2.7.12_2/Frameworks/Python.framework/Versions/2.7/lib/python2.7/copy.py", line 163, in deepcopy
y = copier(x, memo)
...
File "/usr/local/Cellar/python/2.7.12_2/Frameworks/Python.framework/Versions/2.7/lib/python2.7/copy.py", line 190, in deepcopy
y = _reconstruct(x, rv, 1, memo)
File "/usr/local/Cellar/python/2.7.12_2/Frameworks/Python.framework/Versions/2.7/lib/python2.7/copy.py", line 343, in _reconstruct
y.__dict__.update(state)
AttributeError: 'NoneType' object has no attribute 'update'
更新1：
我也尝试了另一种方法。训练模型是正常的，然后仅预先预测预处理的第二个模型：
# Regular model, trained as usual
model = ...
# Preprocessing model
preproc_model = Sequential()
mean_tensor = K.constant(mean, name="mean_tensor")
std_tensor = K.constant(std, name="std_tensor")
preproc_layer = Lambda(lambda x: (x - mean_tensor) / (std_tensor + K.epsilon()),
input_shape=im_shape, name="normalisation")
preproc_model.add(preproc_layer)
# Prepend the preprocessing model to the regular model
full_model = Model(inputs=[preproc_model.input],
outputs=[model(preproc_model.output)])
# Save the complete model to disk
full_model.save('full_model.hdf5')
这似乎有效，直到save()调用，它以与上面相同的深堆栈跟踪失败。也许Lambda层是问题所在，但是从这个问题来判断它似乎应该正确序列化。
因此，总的来说，我如何将归一化层附加到KERAS模型，而不会损害序列化的能力(并导出到PB(？
我确定您可以通过直接下降到TF(例如此线程，或使用TF.Transform(来使其有效，但会认为直接在Keras中可以。
更新2：
所以我发现可以通过执行
来避免深层堆栈跟踪def foo(x):
bar = K.variable(baz, name="baz")
return x - bar
因此，在功能内定义bar而不是从外部范围捕获。
我发现我可以保存到磁盘，但无法从磁盘上加载。周围有一套github问题。我使用＃5396中指定的解决方案将所有变量传递为参数，然后使我能够保存和加载。
以为我几乎在那儿，我继续从上面的 Update 1 中继续使用我的方法，该方法将预处理模型堆叠在训练有素的模型前。然后导致Model is not compiled错误。围绕这些工作，但最终我从未设法使以下内容工作：
- 建立和训练模型
- 将其保存到磁盘
- 加载它，预处理模型
- 将堆叠模型导出到磁盘作为冷冻PB文件
- 从磁盘加载冷冻的PB
- 将其应用于一些看不见的数据
我把它得到了没有错误的地步，但是无法使归一化张量传播到冷冻的PB。花了太多时间，然后我放弃了，转到了一些不那么优雅的方法：
- 从一开始就在模型中使用预处理操作构建模型，但设置为no-op(平均= 0，std = 1(
- 训练模型，建立一个相同的模型，但这次以均值/std的正确值。
- 转移权重
- 导出并将模型冻结至PB
所有这些现在都按预期完全工作。训练的小开销，但对我来说可以忽略不计。
仍然无法弄清楚如何设置keras中张量变量的值(而不提高assign例外(，但现在可以没有它。
将接受 @丹尼尔的回答，因为它使我朝着正确的方向前进。
相关问题：
- 将TensorFlow预处理添加到现有的Keras模型(用于张量式服务(
创建变量时，必须给它"值"，而不是形状：
mean_tensor = K.variable(mean, name="mean_tensor")
std_tensor = K.variable(std, name="std_tensor")
现在，在Keras，您不必处理会话，图表等。您只使用层，在lambda层(或损失功能(内部工作，您可以与张量一起使用。
对于我们的lambda层，我们需要一个更复杂的功能，因为在进行计算之前，形状必须匹配。由于我不知道im_shape，所以我认为它有3个维度：
def myFunc(x):
#reshape x in a way it's compatible with the tensors mean and std:
x = K.reshape(x,(-1,1,1,3))
#-1 is like a wildcard, it will be the value that matches the rest of the given shape.
#I chose (1,1,3) because it's the same shape of mean_tensor and std_tensor
result = (x - mean_tensor) / (std_tensor + K.epsilon())
#now shape it back to the same shape it was before (which I don't know)
return K.reshape(result,(-1,im_shape[0], im_shape[1], im_shape[2]))
#-1 is still necessary, it's the batch size
现在我们创建了lambda层，考虑到它也需要一个输出形状(由于您的自定义操作，系统不一定知道输出形状(
model.add(Lambda(myFunc,input_shape=im_shape, output_shape=im_shape))
之后，只需编译模型并训练它即可。(通常使用model.compile(...)和model.fit(...)(
如果要包含所有内容，包括功能中的预处理，也可以：
def myFunc(x):
mean_tensor = K.mean(x,axis=[0,1,2]) #considering shapes of (size,width, heigth,channels)
std_tensor = K.std(x,axis=[0,1,2])
x = K.reshape(x, (-1,3)) #shapes of mean and std are (3,) here.
result = (x - mean_tensor) / (std_tensor + K.epsilon())
return K.reshape(result,(-1,width,height,3))
现在，所有这些都是模型中的额外计算，并且将消耗处理。最好只做模型之外的所有事情。首先创建预处理数据并存储它，然后创建模型而无需此预处理层。这样，您可以获得更快的型号。(如果您的数据或模型太大，可能很重要(。