使用pickle保存LSTM模型时报TypeError: can't pickle _thread.RLock objects求解决

报错原因 #

你遇到的TypeError: can't pickle _thread.RLock objects报错，核心原因是TensorFlow/Keras框架构建的模型对象内部包含不可被pickle序列化的线程锁资源，通用序列化工具pickle不支持直接序列化这类框架原生模型对象。

可行解决方法 #

• 方案1：使用Keras官方提供的模型序列化接口（最推荐）
  替换你代码末尾的pickle相关代码，直接用内置save方法存储模型：

# 保存模型，支持h5格式单文件存储，或者SavedModel格式目录存储
# 方式1：存为h5单文件
regressor.save('C:/Users/indore/Desktop/model.h5')

# 加载模型时调用即可
from tensorflow.keras.models import load_model
regressor = load_model('C:/Users/indore/Desktop/model.h5')

h5格式会完整保存模型结构、权重、编译配置、优化器状态，既可以直接推理，也可以继续训练。如果是TensorFlow 2.x版本，也可以选择存为SavedModel目录格式，只需要把保存路径改为目录路径即可，兼容性更强。

• 方案2：拆分存储模型结构与权重（适合需要自定义序列化的场景）
  如果确实需要结合pickle使用，可以先拆分模型的结构和权重单独存储，再打包序列化：

# 保存阶段
import pickle
# 导出模型结构为json字符串
model_struct = regressor.to_json()
# 导出模型权重
model_weights = regressor.get_weights()
# 打包结构和权重后用pickle存储
with open('C:/Users/indore/Desktop/model.sav', 'wb') as f:
    pickle.dump({'struct': model_struct, 'weights': model_weights}, f)

# 加载阶段
from tensorflow.keras.models import model_from_json
with open('C:/Users/indore/Desktop/model.sav', 'rb') as f:
    model_data = pickle.load(f)
regressor = model_from_json(model_data['struct'])
regressor.set_weights(model_data['weights'])
# 如需继续训练，要重新调用compile方法配置优化器和损失函数

内容的提问来源于stack exchange，提问作者Prakhar Gupta