加载Keras手写识别训练模型报Unknown layer: Custom>CTCLayer错误如何解决

• 第一步：修正CTCLayer类的实现，自定义Keras层必须实现get_config方法才能正常序列化/反序列化，同时你当前的__init__方法对name参数的处理不符合Keras规范，修正后的代码如下：

import tensorflow as tf
from tensorflow import keras

class CTCLayer(keras.layers.Layer):
    def __init__(self, name=None, **kwargs):
        # 不要自行赋值self.name，交给父类初始化处理
        super().__init__(name=name, **kwargs)
        self.loss_fn = keras.backend.ctc_batch_cost

    def call(self, y_true, y_pred):
        batch_len = tf.cast(tf.shape(y_true)[0], dtype="int64")
        input_length = tf.cast(tf.shape(y_pred)[1], dtype="int64")
        label_length = tf.cast(tf.shape(y_true)[1], dtype="int64")

        input_length = input_length * tf.ones(shape=(batch_len, 1), dtype="int64")
        label_length = label_length * tf.ones(shape=(batch_len, 1), dtype="int64")
        loss = self.loss_fn(y_true, y_pred, input_length, label_length)
        self.add_loss(loss)

        # 测试阶段直接返回预测结果
        return y_pred
    
    # 新增get_config方法，用于层的序列化
    def get_config(self):
        config = super().get_config()
        # 如果有自定义初始化参数要在这里添加，当前CTCLayer没有额外参数，直接返回父类config即可
        return config

• 第二步：统一依赖导入，不要混用独立Keras包和TensorFlow内置的Keras，删掉冗余的from keras.models import load_model导入语句，所有Keras相关接口都从tensorflow.keras下调用，避免版本冲突导致自定义层识别失败。
• 第三步：使用自定义对象作用域加载模型，比直接传custom_objects参数兼容性更强，加载代码如下：

from tensorflow import keras

with keras.utils.custom_object_scope({'CTCLayer': CTCLayer}):
    model = keras.models.load_model("test4_20211113.h5")

如果以上操作还是报错，可以给CTCLayer类加上Keras序列化注册装饰器，在类定义上方加@keras.utils.register_keras_serializable()即可，无需修改其他代码。

内容的提问来源于stack exchange，提问作者Hiroji