带有自定义对象的 Keras load_model 无法正常工作

Posted 2023-02-23

【中文标题】带有自定义对象的 Keras load_model 无法正常工作

【英文标题】：Keras load_model with custom objects doesn't work properly

【发布时间】：2019-08-08 21:46:45

【问题描述】：

设置

正如标题中已经提到的，在尝试加载保存的模型时，我的自定义损失函数出现了问题。我的损失如下：

def weighted_cross_entropy(weights):

    weights = K.variable(weights)

    def loss(y_true, y_pred):
        y_pred = K.clip(y_pred, K.epsilon(), 1-K.epsilon())

        loss = y_true * K.log(y_pred) * weights
        loss = -K.sum(loss, -1)
        return loss

    return loss

weighted_loss = weighted_cross_entropy([0.1,0.9])

所以在训练期间，我使用了weighted_loss 函数作为损失函数，一切运行良好。训练完成后，我使用 keras API 中的标准 model.save 函数将模型保存为 .h5file。

问题

当我尝试通过加载模型时

model = load_model(path,custom_objects="weighted_loss":weighted_loss)

我收到ValueError 告诉我损失未知。

错误

错误信息如下：

File "...\predict.py", line 29, in my_script
"weighted_loss": weighted_loss)
File "...\Continuum\anaconda3\envs\processing\lib\site-packages\keras\engine\saving.py", line 419, in load_model
model = _deserialize_model(f, custom_objects, compile)
File "...\Continuum\anaconda3\envs\processing\lib\site-packages\keras\engine\saving.py", line 312, in _deserialize_model
sample_weight_mode=sample_weight_mode)
File "...\Continuum\anaconda3\envs\processing\lib\site-packages\keras\engine\training.py", line 139, in compile
loss_function = losses.get(loss)
File "...\Continuum\anaconda3\envs\processing\lib\site-packages\keras\losses.py", line 133, in get
return deserialize(identifier)
File "...\Continuum\anaconda3\envs\processing\lib\site-packages\keras\losses.py", line 114, in deserialize
printable_module_name='loss function')
File "...\Continuum\anaconda3\envs\processing\lib\site-packages\keras\utils\generic_utils.py", line 165, in deserialize_keras_object
':' + function_name)
ValueError: Unknown loss function:loss

问题

我该如何解决这个问题？这可能是我的包装损失定义的原因吗？所以keras不知道，weights这个变量怎么处理？

【问题讨论】：

能否请您包含完整的错误日志/堆栈跟踪？

当然。我添加了完整的消息。

【参考方案1】：

您的损失函数的名称是loss（即def loss(y_true, y_pred):）。因此，在加载模型时，您需要指定 'loss' 作为其名称：

model = load_model(path, custom_objects='loss': weighted_loss)