Tensorflow 2.3.0 -> 2.2.0 可比性：ValueError：未知层：功能性

Question

我遇到了与此处描述的问题类似的问题： ValueError: Unknown layer: Functional

import tensorflow as tf
model = tf.keras.models.load_model("model.h5")

抛出：ValueError: Unknown layer: Functional.

我很确定这是因为 h5 文件保存在 TF 2.3.0 中，而我正在尝试在 2.2.0 中加载它。我宁愿不直接使用 tf 2.3.0 进行转换，我希望找到一种方法来手动修复 h5py 文件本身，或者将正确的自定义对象传递给模型加载器。我注意到它似乎只是存储配置文件的额外密钥，例如https://github.com/tensorflow/tensorflow/issues/41929

问题是，我不确定如何手动摆脱 h5 文件中的 Functional 层。具体来说，我试过了：

import h5py
f = h5py.File("model.h5",'r')
print(f['model_weights'].keys())

给出：

 <KeysViewHDF5 ['concatenate_1', 'conv1d_3', 'conv1d_4', 'conv1d_5', 'dense_1', 'dropout_4', 'dropout_5', 'dropout_6', 'dropout_7', 'embedding_1', 'global_average_pooling1d_1', 'global_max_pooling1d_1', 'input_2']>

我在任何地方都看不到Functional 层。该文件中存储的模型配置到底在哪里？例如。我正在寻找类似{"class_name": "Functional", "config": {"name": "model", "layers":...}}

问题：有没有办法可以使用h5py 手动编辑 h5 文件以摆脱功能层？

或者，我可以将特定的custom_obects={'Functiona':???} 传递给load_model 函数吗？ 我试过{'Functional':tf.keras.models.Model}，但它返回('Keyword argument not understood:', 'groups')，因为我认为它试图将模型加载到权重中？

Answer 1

我遇到了类似的问题。我可以在不更改 Tensorflow 版本和重新训练模型的情况下解决它的唯一方法是使用 TensorFlow 2.2.0 中的 Keras API 再次构建模型结构，然后调用：

model.load_weights(<h5 file>)

原始 h5 文件是使用 TensorFlow 2.3.0 创建的。如果您已经有了构建模型结构的代码，那么这种方法应该相对简单，因为您只需将load_model(<h5 file>) 替换为上面的行。

Answer 2

只是改变

keras.models import load_model
tensorflow.keras.models import load_model

然后

load_model('model.h5', compile = False)