Keras自定义SkipCon层模型保存后加载报找不到匹配函数错误

报错由三个代码问题共同导致：

• get_config方法实现完全不符合规范：该方法需要返回自定义层__init__接口的所有入参，才能在加载时重建层实例。你当前的实现仅返回了{"Z": self.activation}，既缺失了size/reduce/deep/skip_when等必填初始化参数，还将激活函数对象赋值给了和参数不匹配的键Z，重载时无法正确初始化层实例。
• 激活函数未做序列化处理：你在__init__中通过keras.activations.get(activation)将字符串格式的激活函数名转成了函数对象，这类对象无法直接被序列化存储，加载时无法识别。
• 内部子层未被Keras正确追踪：你将层内部嵌套的Dense、BatchNormalization子层存在普通Python列表self.main_layers、self.skip_layers中，Keras不会自动追踪普通列表内的子层权重与结构，保存模型时这部分内容会丢失，加载时结构和权重不匹配直接触发函数匹配错误。

额外说明：你的模型构建代码存在一处结构笔误，第二个处理both_layer的SkipCon层错误传入了原始combined张量作为输入，没有接上前序Dropout层的输出，会导致模型结构不符合设计预期，该问题不直接触发加载报错，但会影响模型效果。

按照以下步骤调整代码即可正常保存、重载模型：

1. 修正自定义层的子层存储方式，将普通Python列表替换为keras.layers.LayerList，让Keras可以自动追踪内部子层的权重、结构。
2. 重写符合规范的get_config方法：先调用父类的get_config获取通用层参数，再将当前层所有初始化参数写入配置，激活函数通过keras.activations.serialize()转成可序列化的字符串标识，不要直接存储函数对象。
3. 修正模型构建时的张量传参笔误。

修正后的SkipCon层代码如下：

class SkipCon(keras.layers.Layer):
    def __init__(self, size, reduce = True, deep = 3, skip_when=0, activation="relu", **kwargs):
        super().__init__(**kwargs)
        # 存储初始化参数，供序列化使用
        self.size = size
        self.reduce = reduce
        self.deep = deep
        self.skip_when = skip_when
        self.activation = keras.activations.get(activation)

        # 用LayerList替换普通列表，追踪内部子层
        self.main_layers = keras.layers.LayerList()
        current_size = size
        for _ in range(deep):
            self.main_layers.append(
                keras.layers.Dense(current_size, activation=activation, use_bias=True)
            )
            self.main_layers.append(keras.layers.BatchNormalization())
            if reduce:
                current_size = current_size // 2
        self.final_main_size = current_size

        self.skip_layers = keras.layers.LayerList()
        if skip_when > 0:
            skip_size = self.final_main_size * 2 if reduce else self.final_main_size
            self.skip_layers.append(
                keras.layers.Dense(skip_size, activation=activation, use_bias=True)
            )
            self.skip_layers.append(keras.layers.BatchNormalization())

    def call(self, inputs):
        Z = inputs
        for layer in self.main_layers:
            Z = layer(Z)
        if not self.skip_when:
            return self.activation(Z)
        skip_Z = inputs
        for layer in self.skip_layers:
            skip_Z = layer(skip_Z)
        return self.activation(Z + skip_Z)
  
    def get_config(self):
        config = super().get_config()
        config.update({
            "size": self.size,
            "reduce": self.reduce,
            "deep": self.deep,
            "skip_when": self.skip_when,
            "activation": keras.activations.serialize(self.activation)
        })
        return config

需要修正的模型构建代码段如下：

both_layer = SkipCon(size = 128, deep = 2, reduce = False, skip_when=1, activation="relu")(combined)
both_layer = keras.layers.Dropout(0.5)(both_layer)
# 原代码此处错误传入combined，改为传入上一层输出both_layer
both_layer = SkipCon(size = 64, deep = 2, reduce = False, skip_when=1, activation="relu")(both_layer)
both_layer = keras.layers.Dropout(0.5)(both_layer)
both_layer = SkipCon(size = 16, deep = 2, reduce = False, skip_when=0, activation="relu")(both_layer)

调整完成后，原有的保存、加载逻辑不需要修改，即可正常重载模型。如果想要省略加载时传入custom_objects的步骤，可以在SkipCon类前加上@keras.utils.register_keras_serializable()装饰器，Keras会自动识别该自定义层。

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