集成TensorFlow Hub层的Keras模型保存恢复后预测结果不一致
含TensorFlow Hub层的Keras模型保存重载后预测结果偏差问题
运行环境
- TensorFlow 2.0.0
- Keras 2.3.1
- TensorFlow Hub 0.8.0
- Python 3.7.10
现象复现
模型训练与初始预测
模型搭建与训练逻辑如下:
import tensorflow as tf from tensorflow.keras import Sequential from tensorflow.keras.layers import Dense import tensorflow_hub as hub # 初始化TensorFlow Hub层,指定训练模式标签 hub_layer = hub.KerasLayer( "https://tfhub.dev/google/remote_sensing/eurosat-resnet50/1", tags=['train'], input_shape=(64, 64, 3) ) # 搭建完整分类模型 original_model = Sequential() original_model.add(hub_layer) original_model.add(Dense(32, activation='relu')) original_model.add(Dense(1, activation='sigmoid')) original_model.compile( optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'] ) # 完成100轮训练 original_model.fit(train_generator, epochs=100) # 取固定形状为(32, 64, 64, 3)的图像批次做预测 img_batch = ... original_output = original_model.predict(img_batch)
原模型训练完成后的预测输出示例:
array([[0.803754 ], [0.2758078 ], ... [0.26074764], [0.6190501 ]])
模型保存与重载预测
# 保存模型为HDF5格式 original_model.save("model.hd5") # 重载模型,注册自定义对象映射 restored_model = tf.keras.models.load_model( "model.hd5", custom_objects={'KerasLayer': hub.KerasLayer} ) # 使用与原模型预测完全相同的图像批次输入 restored_output = restored_model.predict(img_batch)
重载后模型的预测输出示例:
array([[0.9999999 ], [1. ], ... [1. ], [1. ]])
同输入、同结构、同权重的前提下,两次预测输出存在显著数值偏差。
排查过程与初步结论
- 对照验证:移除TensorFlow Hub层的纯Keras模型,保存重载后预测结果完全一致,不存在偏差问题
- 结构校验:对比原模型与重载模型的配置,执行
original_model.get_config() == restored_model.get_config()返回值为True - 权重校验:逐张量对比原模型与重载模型的所有权重数值,两者完全一致
- 初步定位:问题根源来自TensorFlow Hub层的存储与加载流程,需要对应的原因说明与解决方案
内容的提问来源于stack exchange,提问作者AlpHa03
相关产品推荐
相关产品推荐

