NotImplementedError：在 `__init__` 中有参数的层必须覆盖 `get_config`

Posted 2023-02-16

【中文标题】NotImplementedError：在 `__init__` 中有参数的层必须覆盖 `get_config`

【英文标题】：NotImplementedError: Layers with arguments in `__init__` must override `get_config`

【发布时间】：2020-02-28 21:47:51

【问题描述】：

我正在尝试使用 model.save() 保存我的 TensorFlow 模型，但是 - 我收到了这个错误。

此处提供模型摘要： Model Summary

变压器模型的代码：

def transformer(vocab_size, num_layers, units, d_model, num_heads, dropout, name="transformer"):
    inputs = tf.keras.Input(shape=(None,), name="inputs")
    dec_inputs = tf.keras.Input(shape=(None,), name="dec_inputs")

    enc_padding_mask = tf.keras.layers.Lambda(
        create_padding_mask, output_shape=(1, 1, None),
        name='enc_padding_mask')(inputs)
    # mask the future tokens for decoder inputs at the 1st attention block
    look_ahead_mask = tf.keras.layers.Lambda(
        create_look_ahead_mask,
        output_shape=(1, None, None),
        name='look_ahead_mask')(dec_inputs)
    # mask the encoder outputs for the 2nd attention block
    dec_padding_mask = tf.keras.layers.Lambda(
        create_padding_mask, output_shape=(1, 1, None),
        name='dec_padding_mask')(inputs)

    enc_outputs = encoder(
        vocab_size=vocab_size,
        num_layers=num_layers,
        units=units,
        d_model=d_model,
        num_heads=num_heads,
        dropout=dropout,
    )(inputs=[inputs, enc_padding_mask])

    dec_outputs = decoder(
        vocab_size=vocab_size,
        num_layers=num_layers,
        units=units,
        d_model=d_model,
        num_heads=num_heads,
        dropout=dropout,
    )(inputs=[dec_inputs, enc_outputs, look_ahead_mask, dec_padding_mask])

    outputs = tf.keras.layers.Dense(units=vocab_size, name="outputs")(dec_outputs)

    return tf.keras.Model(inputs=[inputs, dec_inputs], outputs=outputs, name=name)

我不明白为什么它会给出这个错误，因为模型训练得非常好。 任何帮助将不胜感激。

我的保存代码供参考：

print("Saving the model.")
saveloc = "C:/tmp/solar.h5"
model.save(saveloc)
print("Model saved to: " + saveloc + " succesfully.")

【问题讨论】：

我认为这已经随着 tensorflow 2.2.0 改变了......所以现在你不会遇到这个错误

【参考方案1】：

这不是错误，这是一项功能。

此错误让您知道 TF 无法保存您的模型，因为它无法加载它。 具体来说，它将无法重新实例化您的自定义 Layer 类：encoder 和 decoder。

要解决这个问题，只需根据您添加的新参数覆盖他们的 get_config 方法即可。

层配置是包含层配置的 Python 字典（可序列化）。稍后可以从此配置中重新实例化同一层（没有经过训练的权重）。

---

例如，如果您的 encoder 类看起来像这样：

class encoder(tf.keras.layers.Layer):

    def __init__(
        self,
        vocab_size, num_layers, units, d_model, num_heads, dropout,
        **kwargs,
    ):
        super().__init__(**kwargs)
        self.vocab_size = vocab_size
        self.num_layers = num_layers
        self.units = units
        self.d_model = d_model
        self.num_heads = num_heads
        self.dropout = dropout

    # Other methods etc.

那么你只需要重写这个方法：

    def get_config(self):

        config = super().get_config().copy()
        config.update(
            'vocab_size': self.vocab_size,
            'num_layers': self.num_layers,
            'units': self.units,
            'd_model': self.d_model,
            'num_heads': self.num_heads,
            'dropout': self.dropout,
        )
        return config

当 TF 看到这一点时（对于两个类），您将能够保存模型。

因为现在加载模型时，TF 将能够从配置中重新实例化同一层。

---

Layer.from_config 的source code 可能会更好地了解它的工作原理：

@classmethod
def from_config(cls, config):
  return cls(**config)

【讨论】：

我会试试这个。这不应该默认使用类构造中的参数来完成吗？

这个可以已经完成了，但是考虑不是所有参数都需要保存的情况，只需要它们的导数就足够了。例如x_train 的mean 和std。在这种情况下，该层可以接受x_train 或(mean, std) 来构造。在构建模型时，您将使用x_train 并保存self.mean, self.std，然后仅保存mean, std 到config 以重新实例化，而不使用整个x_train。

我没有很好地理解它。有什么资料可以阅读更多有关它的信息吗？另外，为什么我们要重写编码器层而不是编码器本身？另外，如果编码器层是一个函数而不是一个类呢？

@Mee 1. 是的：tensorflow.org/guide/keras/… 2. 因为序列化模型的标准部件已经开箱即用。但是对于像 Encoder 和 Decoder 这样的自定义层，你需要定义它。 3. 我不确定，您可能想将此作为一个单独的问题提出。但是为什么不把你函数的逻辑放到一个 Layer 子类中呢？

感谢您的回复。我确实把它放在了一个单独的问题中。请你检查一下好吗？ ***.com/questions/59796343/…

【参考方案2】：

我认为简单的解决方案是为 gpu tensorflow-gpu==2.4.2 安装 tensorflow==2.4.2 ，我遇到了这个问题并调试了一整天，但没有解决。最后我安装了旧的稳定版本，错误消失了

【参考方案3】：

这个问题是由于在 keras 和 tf.keras 库之间混合导入导致的，不支持。

在任何地方使用 tf.keras.models 或 usr keras.models

您不应该在这些库之间混合导入，因为它不起作用并会产生各种奇怪的错误消息。这些错误会随着 keras 和 tensorflow 的版本而变化。

【讨论】：

即使我的问题与 OP 不完全相同，我也得到了完全相同的错误。约翰的回答对我来说很神奇，当我写的时候让我的 VSCode 自动导入 Dropout：model.add(Dropout())。它导入它： from tensorflow.python.keras.layers.core import Dropout 并因此产生上述错误。正确的导入是： from tensorflow.keras.layers import Dropout

【参考方案4】：

我建议您尝试以下方法：

model = tf.keras.Model(...)
model.save_weights("some_path")
...
model.load_weights("some_path")