如何为TensorFlow 2.0中Keras Sequential模型的层添加自定义名称

看起来你遇到的问题是明明给Flatten层指定了自定义名称bla，但在另一个文件加载模型后，层名却变成了默认的flatten。这大概率是因为你在另一个文件中调用的create_model()函数里，没有给Flatten层设置相同的name参数——当你用save_weights_only=True保存权重时，权重文件只存储权重数值，不会记录模型结构和层名称，所以加载权重时完全依赖你重新创建的模型结构，层名称会以新创建的模型为准。

下面是具体的解决方法：

• 统一所有场景下的模型层名称
  不管是训练模型的文件，还是加载模型的文件，你的create_model()函数里的对应层必须明确设置相同的name参数。比如你的Flatten层必须保留name="bla"：

  def create_model():
      model = keras.Sequential([
          # 务必保留自定义name参数
          keras.layers.Flatten(input_shape=(28,28), name="bla"),
          keras.layers.Dense(128, kernel_regularizer=keras.regularizers.l2(REGULARIZE), activation="relu"),
          keras.layers.Dropout(DROPOUT_RATE),
          keras.layers.Dense(128, kernel_regularizer=keras.regularizers.l2(REGULARIZE), activation="relu"),
          keras.layers.Dropout(DROPOUT_RATE),
          keras.layers.Dense(10, activation="softmax")
      ])
      model.compile(optimizer="adam", loss="sparse_categorical_crossentropy", metrics=["accuracy"])
      return model
  

  这样，无论在哪个文件调用create_model()生成模型，Flatten层的名称都会是bla，加载权重后提取层名就能得到你预期的结果。

• 验证层名称是否生效
  你可以在创建模型后立刻打印层名，确认自定义名称是否正确设置：

  model = create_model()
  print([layer.name for layer in model.layers])
  # 预期输出: ['bla', 'dense', 'dropout', 'dense_1', 'dropout_1', 'dense_2']
  

  如果输出里没有bla，说明你的create_model()函数里确实遗漏了name参数，补加上即可。

• 可选：保存完整模型来避免结构不一致问题
  如果你不想手动维护多个文件中的模型结构一致，可以选择保存完整模型（而非仅权重），这样加载时不需要重新定义create_model()，直接加载就能保留所有层的自定义名称：

  # 训练时保存完整模型
  model.save("my_mnist_model.h5")
  
  # 加载时直接读取完整模型
  from tensorflow import keras
  model = keras.models.load_model("my_mnist_model.h5")
  print([layer.name for layer in model.layers])  # 会包含你设置的'bla'
  

  这种方式更省心，适合需要保留完整模型配置的场景。

内容的提问来源于stack exchange，提问作者Gilfoyle