在Keras中使用tf.keras.metrics.AUC作为训练指标后，如何正确使用load_model加载模型？

这个问题我之前碰到过好几个类似的案例，核心坑点在于你在custom_objects里传入的AUC实例和训练时定义的参数不完全匹配，导致Keras无法对应上保存的metric配置。

问题根源 #

你训练时的AUC是带特定参数的：

model.compile(..., metrics=["accuracy", AUC(name="auc", curve="PR")])

这里明确指定了curve="PR"（计算PR曲线的AUC），但加载模型时你只传了AUC(name="auc")，少了curve="PR"这个关键参数。Keras保存模型时会完整记录metric的所有配置信息，加载时需要完全匹配的定义，否则就会抛出“Unknown metric function”的错误。

两种正确解决方法 #

方法一：传入AUC类（推荐，更简洁）

直接传入AUC的类，而不是实例，让Keras自动根据模型保存的参数（包括name="auc"和curve="PR"）来重建metric：

from tensorflow.keras.metrics import AUC

load_model(checkpoint, custom_objects={"auc": AUC})

这种方式最稳妥，不用手动复制所有参数，Keras会自己处理匹配逻辑。

方法二：传入参数完全一致的AUC实例

如果你一定要传实例，必须保证和训练时的参数完全相同，包括curve="PR"：

from tensorflow.keras.metrics import AUC

load_model(checkpoint, custom_objects={"auc": AUC(name="auc", curve="PR")})

这样实例的配置和训练时完全对齐，Keras就能正确识别对应的metric了。

额外提示 #

如果你的模型里还有其他自定义层或metric，都要遵循这个原则：要么传对应的类，要么传参数完全一致的实例，确保保存的配置和加载时的定义一一对应。

内容的提问来源于stack exchange，提问作者fmorenovr