保存TensorFlow图像分类模型时触发AttributeError: 'CustomAugment'对象无'__name__'属性的问题咨询

嘿，这个问题我之前在调试TensorFlow数据增强的时候也碰到过！咱们先搞清楚为啥会报错，再一步步解决。

为什么会出现 AttributeError: 'CustomAugment' object has no attribute '__name__'？ #

Keras的Lambda层设计初衷是用来包装函数的，而不是类的实例。当你保存模型时，Keras需要序列化所有层的配置，对于Lambda层来说，它会依赖传入的可调用对象的__name__属性来完成序列化。

但你这里传的是CustomAugment()——这是一个类的实例，不是函数。类本身有__name__属性（比如CustomAugment.__name__会返回字符串"CustomAugment"），但类的实例是没有这个属性的，所以保存时就触发了这个错误。

另外顺便提一句，你的_color_drop函数里有个小bug：转灰度后得到的是image，但你用tf.tile的却是原输入x，等于没做颜色丢弃，后面我会在代码示例里修复这个问题。

两种解决方法 #

方法一：把自定义增强改成函数（最简单） #

既然Lambda层适合包装函数，那我们直接把CustomAugment的逻辑改成函数形式：

def CustomAugment(image):
    def _random_apply(func, x, p):
        return tf.cond(
            tf.less(tf.random.uniform([], minval=0, maxval=1, dtype=tf.float32), tf.cast(p, tf.float32)),
            lambda: func(x),
            lambda: x)
    
    def _color_drop(x):
        # 修复bug：转灰度后tile处理后的图像，而不是原x
        gray_image = tf.image.rgb_to_grayscale(x)
        return tf.tile(gray_image, [1, 1, 3])
    
    img = _random_apply(tf.image.flip_left_right, image, p=0.6)
    img = _random_apply(_color_drop, img, p=0.9)
    return img

# Lambda层直接传入函数本身，不要实例化
data_augmentation = keras.Sequential(
    [
        tf.keras.layers.Lambda(CustomAugment),
        layers.experimental.preprocessing.RandomRotation(0.1),
    ]
)

方法二：把CustomAugment改成自定义Keras层（更规范） #

如果你的增强逻辑比较复杂，或者需要保存一些参数，更推荐把它改成继承tf.keras.layers.Layer的自定义层，这样天然支持Keras的序列化和保存：

class CustomAugment(tf.keras.layers.Layer):
    def __init__(self, flip_prob=0.6, color_drop_prob=0.9, **kwargs):
        super().__init__(**kwargs)
        self.flip_prob = flip_prob
        self.color_drop_prob = color_drop_prob

    def call(self, image, training=None):
        # 可选：只在训练阶段应用增强，推理阶段返回原图
        if not training:
            return image
        
        img = self._random_apply(tf.image.flip_left_right, image, p=self.flip_prob)
        img = self._random_apply(self._color_drop, img, p=self.color_drop_prob)
        return img

    def _color_drop(self, x):
        gray_image = tf.image.rgb_to_grayscale(x)
        return tf.tile(gray_image, [1, 1, 3])  # 修复之前的bug

    def _random_apply(self, func, x, p):
        return tf.cond(
            tf.less(tf.random.uniform([], minval=0, maxval=1, dtype=tf.float32), tf.cast(p, tf.float32)),
            lambda: func(x),
            lambda: x)
    
    # 必须实现这个方法，让Keras能序列化层的参数
    def get_config(self):
        config = super().get_config()
        config.update({
            'flip_prob': self.flip_prob,
            'color_drop_prob': self.color_drop_prob
        })
        return config

# 现在直接用这个层，不需要Lambda包装
data_augmentation = keras.Sequential(
    [
        CustomAugment(),
        layers.experimental.preprocessing.RandomRotation(0.1),
    ]
)

这两种方法都能解决模型保存时的错误，第二种方法更适合长期维护的项目，因为自定义层的扩展性更好，也符合Keras的最佳实践。

内容的提问来源于stack exchange，提问作者Adi