Keras自定义层保存完整模型时出错，寻求技术解决方案

问题描述 #

在禁用Eager Execution（tf.compat.v1.disable_eager_execution()）的环境下，自定义ConstLayer在模型保存和加载时出现两类错误：

• 未在get_config中添加config['x'] = self.x：加载模型时报TypeError: __init__()缺少必需的位置参数x
• 添加上述代码后：保存模型时报NotImplementedError: deepcopy()仅在启用eager execution时可用

解决方案 #

核心思路是避免在配置中存储Tensor对象，改用可序列化的numpy数组或Python原生数值类型。

方案1：修改get_config存储numpy值

class ConstLayer(tf.keras.layers.Layer):
    def __init__(self, x, **kwargs):
        super(ConstLayer, self).__init__(**kwargs)
        self.x = tf.Variable(x, trainable=False)

    def call(self, input):
        return self.x

    def get_config(self):
        config = super(ConstLayer, self).get_config()
        # 将Tensor转换为numpy数组存储，规避deepcopy Tensor的限制
        config['x'] = self.x.numpy()
        return config

方案2：用Keras后端方法获取值（兼容更多环境）

如果numpy()调用存在兼容性问题，可替换为Keras后端API：

def get_config(self):
    config = super(ConstLayer, self).get_config()
    config['x'] = tf.keras.backend.get_value(self.x)
    return config

方案3：增强__init__的兼容性

确保加载时numpy数组能正确转为Tensor：

class ConstLayer(tf.keras.layers.Layer):
    def __init__(self, x, **kwargs):
        super(ConstLayer, self).__init__(**kwargs)
        # 统一将输入转为Tensor后创建Variable
        self.x = tf.Variable(tf.convert_to_tensor(x), trainable=False)

    def call(self, input):
        return self.x

    def get_config(self):
        config = super(ConstLayer, self).get_config()
        config['x'] = tf.keras.backend.get_value(self.x)
        return config

原理说明 #

禁用Eager Execution时，Tensor对象无法被序列化（底层依赖的deepcopy操作不支持非Eager模式的Tensor）。通过将Tensor转换为numpy数组存储到配置中，既能满足__init__对参数x的需求，又能避免序列化时的deepcopy错误。加载模型时，Keras会将配置中的numpy数组传入__init__，再转为Tensor创建Variable，与原层的逻辑完全一致。

内容的提问来源于stack exchange，提问作者Mihai.Mehe