Keras自定义类模型保存触发NotImplementedError问题求助

刚从PyTorch转Keras的话，确实容易踩这个坑，我来给你把问题讲明白：

核心原因：Keras模型的两种构建方式差异 #

Keras里有两种主要的模型构建方式，它们对模型序列化（也就是save()操作）的支持不一样：

1. 子类化模型（你最开始用的方式）：这种方式继承tf.keras.Model，在call()方法里定义前向传播逻辑，属于动态图模式。Keras没法自动追踪你在call()里写的所有操作细节，也就没法完整保存整个模型的结构和计算图，所以调用save()就会抛出NotImplementedError，提示你只能用save_weights()来保存权重参数。
2. 静态图模型（Sequential/Functional API）：像你后来改成的Sequential模型，或者用Functional API拼接的模型，属于静态图范畴——每一层的输入输出连接关系都是显式定义好的，Keras可以完整记录模型的结构、权重和配置，自然支持完整的save()操作。

针对你的情况的解决方案 #

如果你想继续用子类化模型

只能保存和加载权重，不能直接保存整个模型结构：

# 保存权重
mynet.save_weights('mynet_weights.h5')

# 加载权重（注意：子类化模型需要先运行一次前向传播初始化权重）
new_mynet = MyNet()
# 喂一个样本让模型构建权重形状
new_mynet(tf.ones(shape=(1, 3, 224, 224)))
new_mynet.load_weights('mynet_weights.h5')

如果你需要完整保存模型（结构+权重）

优先选择Sequential或者Functional API来构建模型，就像你后来做的那样。比如用Functional API写你的模型也可以：

inputs = tf.keras.Input(shape=(3,224,224))
x = tf.keras.layers.Conv2D(32, 5, strides=(2,2), data_format='channels_first')(inputs)
x = tf.keras.layers.BatchNormalization(axis=1)(x)
x = tf.keras.layers.Activation('relu')(x)
x = tf.keras.layers.GlobalAveragePooling2D(data_format='channels_first')(x)
outputs = tf.keras.layers.Dense(10)(x)

my_net_functional = tf.keras.Model(inputs=inputs, outputs=outputs)
# 同样可以正常save
my_net_functional.save('mynet_functional.hdf5')

简单总结：子类化模型胜在灵活，适合复杂自定义逻辑；Sequential/Functional胜在便捷，支持完整的模型序列化和很多内置工具，根据你的需求选就好~

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