如何将含自定义dice_coef指标的Keras模型存入.h5文件？

核心结论 #

没法把dice_coef这类自定义函数的代码直接存入.h5模型文件，加载时必须通过custom_objects参数传入该函数的定义。

为什么存不了？ #

.h5格式的模型文件只存储三类内容：

• 模型的层级结构（比如卷积层、全连接层的类型和参数设置）
• 训练好的权重数值
• 优化器的状态（如果开启保存的话）
  它不支持存储自定义Python函数的代码本身，因为这些函数是运行时的Python逻辑，无法直接序列化到.h5这种二进制文件中。

简化加载流程的替代方案 #

虽然不能把函数存进.h5，但可以用以下方法让加载模型更方便：

1. 把自定义函数单独存为Python文件 #

新建一个custom_metrics.py文件，把dice_coef的代码放进去：

import tensorflow.keras.backend as K

def dice_coef(y_true, y_pred):
    y_true_f = K.flatten(y_true)
    y_pred_f = K.flatten(y_pred)
    intersection = K.sum(y_true_f * y_pred_f)
    return (2. * intersection + K.epsilon()) / (K.sum(y_true_f) + K.sum(y_pred_f) + K.epsilon())

加载模型时，直接从这个文件导入函数即可：

from custom_metrics import dice_coef
from tensorflow.keras.models import load_model

model = load_model('modelo_ia_1.h5', custom_objects={"dice_coef": dice_coef})

这样不用每次复制函数代码，只要保证custom_metrics.py和加载代码在同一目录就行。

2. 改用SavedModel格式（TF2.x官方推荐） #

TensorFlow 2.x更推荐使用SavedModel格式（不是.h5文件，是一个文件夹），它可以把模型结构、权重，以及符合序列化要求的自定义函数信息一起保存。操作步骤：

• 先把dice_coef改成TensorFlow原生操作兼容的版本（替换Keras后端的API为TF原生API）：

import tensorflow as tf

def dice_coef(y_true, y_pred):
    y_true_f = tf.flatten(y_true)
    y_pred_f = tf.flatten(y_pred)
    intersection = tf.reduce_sum(y_true_f * y_pred_f)
    return (2. * intersection + tf.keras.backend.epsilon()) / (tf.reduce_sum(y_true_f) + tf.reduce_sum(y_pred_f) + tf.keras.backend.epsilon())

• 保存模型时不用加.h5后缀：

model.save('modelo_ia_1')  # 会生成名为modelo_ia_1的文件夹

• 加载模型时直接调用，无需传custom_objects：

model = tf.keras.models.load_model('modelo_ia_1')

这个方法更适配TF2.x的生态，能避免每次加载都要处理自定义对象的麻烦，你的TensorFlow 2.10.1完全支持该格式。

内容的提问来源于stack exchange，提问作者aranca25