重载TensorFlow模型后调用fit/predict出现AttributeError求助

核心问题原因 #

报错'str' object has no attribute 'as_numpy_dtype'源于模型重载时，自定义损失中使用的内置MeanSquaredError损失类的参数被错误序列化为字符串类型（如out_type='int32'而非tf.int32），导致TensorFlow无法识别该参数类型。这种情况在使用.h5格式保存包含自定义损失的多任务模型时容易出现。

解决方法 #

方法1：手动实现MSE计算，绕开内置损失类 #

直接用TensorFlow底层API计算MSE，避免依赖内置损失类的序列化逻辑：

def mse_loss(y_true, y_pred):
    # 手动计算均方误差
    mse_loss = tf.reduce_mean(tf.square(y_true - y_pred))
    # 乘以缩放因子
    factor = tf.constant(100, dtype=tf.float32)
    return tf.math.multiply(mse_loss, factor)

方法2：自定义损失类并实现序列化接口 #

将损失封装为继承自tf.keras.losses.Loss的类，实现get_config方法确保参数正确序列化：

class ScaledMSELoss(tf.keras.losses.Loss):
    def __init__(self, factor=100.0, name="scaled_mse_loss"):
        super().__init__(name=name)
        self.factor = factor

    def call(self, y_true, y_pred):
        mse_loss = tf.reduce_mean(tf.square(y_true - y_pred))
        return mse_loss * self.factor

    def get_config(self):
        # 保存自定义参数，确保重载时能恢复
        config = super().get_config()
        config.update({"factor": self.factor})
        return config

# 模型定义时使用
mse_loss = ScaledMSELoss(factor=100)
model.add_loss(mse_loss(y_true=y_true_d, y_pred=out_d))

# 重载模型时指定自定义对象
model = tf.keras.models.load_model("your_model.h5", custom_objects={"scaled_mse_loss": ScaledMSELoss})

方法3：改用SavedModel格式保存模型 #

SavedModel格式对自定义组件的序列化支持优于.h5，能避免很多序列化问题：

# 保存模型
model.save("your_saved_model")

# 重载模型
model = tf.keras.models.load_model("your_saved_model", custom_objects={"mse_loss": mse_loss})

调试步骤 #

• 检查重载模型时是否通过custom_objects参数正确注册了自定义损失函数/类
• 打印损失函数内部的变量类型（如out_type），对比模型保存前和重载后的差异
• 尝试简化损失函数，逐步定位序列化失败的具体环节

内容的提问来源于stack exchange，提问作者Jelt0