如何在Keras Tuner调参后完整保存含超参数与权重的模型？

问题根源 #

直接使用save_model或保存为h5文件无效，核心原因是HyperModel基于动态超参数生成模型结构，普通保存方式无法完整记录模型的结构生成逻辑，或者加载时未先基于最优超参数重建模型结构，导致结构不匹配报错。

优化存储空间的解决方案 #

第一步：清理调优阶段冗余文件 #

Hyperband生成的30个试验文件夹，调优完成后仅需保留最优试验的checkpoint，其余可直接删除——这能立刻减少大部分初始存储占用。

第二步：最优超参数持久化（仅存一份） #

把最优超参数保存为JSON文件，代替重复保存完整模型结构，后续所有实体的模型都基于这份超参数重建：

# 保存最优超参数
best_hps = tuner.get_best_hyperparameters(num_trials=1)[0]
import json
with open("best_hps_config.json", "w") as f:
    json.dump(best_hps.values, f)

# 后续加载超参数重建模型
with open("best_hps_config.json", "r") as f:
    hps_config = json.load(f)
best_hps = keras_tuner.HyperParameters.from_config(hps_config)
my_model = tuner.hypermodel.build(best_hps)

第三步：每个实体仅保存权重文件（核心省空间操作） #

每个实体训练完成后，只保存模型权重而非完整模型，权重文件体积远小于完整模型：

# 实体训练完成后保存权重
my_model.save_weights(f"entity_{entity_id}_weights.h5")

# 加载时先重建模型，再加载权重
my_model.load_weights(f"entity_{entity_id}_weights.h5").expect_partial()

可选：若需保存完整模型（适合部署场景） #

如果必须保存完整模型，需确保模型结构可序列化（无不可序列化的自定义层，若有则实现get_config和from_config方法），使用SavedModel格式而非h5：

# 保存完整模型
my_model.save(f"entity_{entity_id}_saved_model")

# 直接加载模型
my_model = keras.models.load_model(f"entity_{entity_id}_saved_model")

之前操作无效的原因排查 #

• h5格式对动态生成的模型结构支持有限，无法完整序列化HyperModel的动态参数依赖，导致加载时结构不匹配。
• 若直接调用load_model而未先基于超参数重建模型结构，SavedModel无法逆向生成动态构建的模型结构，引发报错。

内容的提问来源于stack exchange，提问作者Khushi Mehta