TensorFlow 2.0中如何加载含自定义lambda层的旧版Keras模型？

你遇到的报错本质是TensorFlow 1.x时代独立Keras保存的Lambda层序列化时，会把当时依赖的全局后端变量K（即keras.backend）的引用直接嵌入序列化数据，迁移到TensorFlow 2.x内置Keras环境后，加载时找不到对应全局变量触发NameError。你之前拆分保存结构和权重无法解决，是因为模型结构序列化结果中依然保留了依赖K的Lambda层字节码配置。

• 方案一：全局注入K变量（操作最简单，优先尝试）
  加载模型前先将TensorFlow 2.x的后端对象注入到全局命名空间，匹配旧模型序列化时的变量依赖：

import tensorflow as tf
import sys
# 注入全局K变量，适配旧模型Lambda层的调用依赖
sys.modules['__main__'].K = tf.keras.backend

def load_efficient_pose_model():
    custom_objects = {'BilinearWeights': keras_BilinearWeights, 'Swish': Swish(eswish), 'eswish': eswish, 'swish1': swish1}
    # 新增compile=False参数，避免加载时不必要的编译校验报错
    model = tf.keras.models.load_model('my_location/EfficientPoseII.h5', custom_objects=custom_objects, compile=False)
    return model

加载成功后建议立即将模型转存为TensorFlow 2.x原生的SavedModel格式，避免后续再出现类似兼容性问题。

• 方案二：权重迁移适配（方案一失效时使用）
  如果Lambda层序列化的字节码兼容性问题无法通过注入变量解决，可手动搭建兼容TF2的EfficientPose网络结构，再迁移权重：

1. 从EfficientPose官方仓库获取对应版本的网络结构代码，将所有Lambda层的逻辑显式改写为自定义层，所有keras.backend调用替换为tf.keras.backend
2. 在TF2环境中初始化该结构得到空白模型
3. 用方案一的方式加载旧h5模型后，调用blank_model.set_weights(old_model.get_weights())完成权重迁移
4. 保存新的SavedModel格式模型即可正常使用。

内容的提问来源于stack exchange，提问作者Andrey