You need to enable JavaScript to run this app. 使用自定义tf.keras.Model作为层的模型加载时报KeyError: 'layers'错误
优惠活动
大模型
产品
解决方案
定价
更多

使用自定义tf.keras.Model作为层的模型加载时报KeyError: 'layers'错误

嵌套自定义Keras模型加载时报KeyError: 'layers'的解决方案

问题根因

  • 当前使用save_format="h5"的HDF5格式保存整个模型,该格式依赖序列化得到的模型配置(config)重建模型结构,本身对子类化自定义tf.keras.Model的嵌套结构支持存在缺陷。从报错路径可判断使用的是TensorFlow 2.0之前的旧版本,该版本的HDF5加载逻辑无法自动收集子类化自定义Model的子层配置,最终导致中间层级的配置缺失layers键,触发KeyError。
  • 之前继承tf.keras.layers.Layer时加载正常,是因为自定义Layer的序列化逻辑仅需返回初始化参数,不强制要求config包含layers字段;替换父类为tf.keras.Model后,Keras会走Network类的重建流程,强制读取config中的layers字段递归构建结构,而你没有为自定义Model实现对应的序列化逻辑,自然会出现键缺失的问题。
  • 你排查发现底层自定义Model有layers键、中间层没有,是因为底层Model直接包含原生Keras层,原生层的序列化逻辑会自动携带嵌套结构的layers配置;而中间层嵌套了自定义的Model实例,旧版本Keras不会自动收集这类自定义模块的配置,自然会在config中缺失对应字段。
  • 贴出的加载代码存在明显笔误:tf.keras.models.load_model的第一个参数必须是已保存模型的文件路径字符串,不能传入模型实例本身,否则会触发路径类型校验错误。

可行的解决办法(按优先级排序)

1. 复用已保存的权重文件,跳过整体结构加载

已经单独执行save_weights保存权重,完全不需要通过load_model重建整个模型结构,直接实例化和训练时结构完全一致的自定义模型,再加载权重即可,全程不会触发config反序列化逻辑,彻底规避该报错。
示例代码:

# 实例化自定义模型,传入和训练时完全一致的初始化参数
self.model = YourNestedCustomModel(参数1=xxx, 参数2=xxx)
# 加载已保存的权重
self.model.load_weights(model_weights_path)

该方法完全适配当前自定义Model的结构,满足访问所有层权重的需求。

2. 更换模型保存格式,弃用HDF5格式

如果需要整体保存模型结构,换用TensorFlow原生的SavedModel格式保存即可,该格式直接存储模型的计算图和权重,不依赖config反序列化重建结构,对嵌套自定义Model的支持远好于HDF5。
修改保存代码:

# 不需要指定save_format,默认保存为SavedModel目录格式
self.model.save(model_path)

加载时传入对应文件路径和自定义对象即可,不会出现layers键缺失的问题。

3. 必须使用HDF5格式时的修复方式

如果必须使用h5格式保存加载,需要为每一层自定义Model类手动实现完整的序列化逻辑,确保所有内部子层的配置都被写入config中:

  • 为自定义Model类实现get_config()方法,将所有初始化参数、内部包含的子层/子模型的序列化配置存入返回的config字典
  • 实现对应的from_config()类方法,在反序列化时将config中的字段还原为模型实例
    示例实现:
class MiddleCustomModel(tf.keras.Model):
    def __init__(self, inner_model, dense_units, **kwargs):
        super().__init__(**kwargs)
        # 内部嵌套的底层自定义Model
        self.inner_model = inner_model
        self.dense = tf.keras.layers.Dense(dense_units)

    def call(self, inputs):
        x = self.inner_model(inputs)
        return self.dense(x)

    def get_config(self):
        # 调用父类方法获取基础配置
        config = super().get_config()
        # 将内部子层的序列化配置加入config
        config.update({
            "inner_model": tf.keras.layers.serialize(self.inner_model),
            "dense_units": self.dense.units
        })
        return config

    @classmethod
    def from_config(cls, config):
        # 反序列化时将config中的字段还原为实例
        inner_model = tf.keras.layers.deserialize(config.pop("inner_model"))
        return cls(inner_model=inner_model, **config)

注意所有嵌套的自定义Model都需要按照上述方式实现序列化逻辑,否则仍会出现config缺字段的问题。


内容的提问来源于stack exchange,提问作者Spuds

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.31 09:54:02