在TF.KERAS模型中使用TensorFlow操作

Question

我正在尝试使用预训练的模型，添加一些新层和操作，并在tensorflow中执行培训课程。因此，我陷入了tf.keras.applications.*名称空间，并开始使用一些实现的模型。

加载基本模型后，我添加了这样的新层：

x = base_model.output
# this line seems to cause my error
x = tf.reshape(x, [-1, 1]) 
# using this line solves the issue
# tf.keras.layers.Flatten()(x) #
x = tf.keras.layers.Dense(1024, activation="relu")(x)
x = tf.keras.layers.Dense(5, activation="softmax")(x)

现在，当我从张量x创建新的tf.keras.models.Model(...)时，我会收到此错误消息：

Output tensors to a Model must be the output of a TensorFlow `Layer`
(thus holding past layer metadata).
Found: Tensor("dense_27/Softmax:0", shape=(?, 3), dtype=float32)

我猜是由于在tf.keras型号内使用tf.*操作而引起的。在这种情况下，我可以轻松地使用keras替代品，但是现在我开始想知道是否存在解决方案操作的方法，无论如何都可以使用张量操作。还是我完全局限于使用tf.keras.layer.*操作？

Answer 1

如评论中所述，您需要将TF操作包装在Lambda层(或任何自定义层(，以便Keras可以找到用于构建Model对象的所需元数据。

x = base_model.output
x = tf.keras.layers.Lambda(lambda x: tf.reshape(x, [-1, 1]))(x)
x = tf.keras.layers.Dense(1024, activation="relu")(x)
x = tf.keras.layers.Dense(5, activation="softmax")(x)

可能值得注意的是，在尝试保存和加载此模型时，会有一个错误，抱怨未定义名称tf。

model = tf.keras.Model(base_model.input, x)
model.compile(loss='sparse_categorical_crossentropy', optimizer='adam')
model.save('1.h5')
m = tf.keras.models.load_model('1.h5')
# NameError: name 'tf' is not defined

这是因为在模型加载过程中，tf未在重新构造Lambda层的范围内导入。它可以通过提供custom_objects词典来解决load_model。

m = tf.keras.models.load_model('1.h5', custom_objects={'tf': tf})