如何加载自定义架构的Keras子类化VAE模型?
自定义VAE模型加载报错的解决方法
报错根源
两个报错本质都是子类化Keras模型的序列化机制和当前的保存方式不匹配:
- 调用
load_model()报「配置文件中未找到模型」:通过ModelCheckpoint存的h5文件里只有权重数据,没有存储模型的结构配置。子类化的自定义模型本身不支持通过HDF5格式全量保存结构,Keras找不到模型的拓扑配置,自然无法通过load_model()直接还原。 - 调用
load_weights()报「无法将HDF5格式保存的权重加载到尚未创建变量的子类化模型中」:子类化模型的张量变量是在第一次前向传播被调用时才会初始化创建的,新建的空VAE实例从来没有执行过前向计算,内存里根本不存在对应的权重变量,自然无法加载权重。
另外原有VAE类代码里有个逻辑bug:train_step和test_step方法里直接引用了全局作用域的encoder、decoder变量,没有用实例绑定的self.encoder、self.decoder,这会导致模型的权重节点和训练时保存的节点名不匹配,就算成功加载权重也无法正常推理。
已存好h5权重文件的快速加载方案
针对已经训练完成、存好的car_racing_VAE.h5权重文件,按照以下步骤操作即可正常加载:
- 在加载脚本的最开头,把所有和训练时结构、类名、层顺序完全一致的自定义组件全部定义完成:包括
Sampling采样层、编码器的搭建代码、解码器的搭建代码、VAE类的实现,注意不要修改任何参数,避免和训练时的变量结构对不上。 - 按照训练时的参数,重新实例化和训练时完全一致的编码器、解码器对象,再用这两个组件新建一个空的VAE实例。
- 生成一个和模型输入形状完全匹配的假张量,给空VAE实例做一次前向传播,触发所有张量变量的初始化:
比如模型输入是64×64×3的图像,就执行:# 生成和输入形状一致的假数据 dummy_input = tf.random.normal(shape=(1, 64, 64, 3)) # 跑一次前向,触发所有变量创建 _ = vae(dummy_input) - 这时候再加载权重就不会报错了:
vae.load_weights('car_racing_VAE.h5')
后续优化保存逻辑的方案
为了避免每次加载都需要重新手动搭结构,调整保存逻辑即可:
- 给所有自定义组件补充序列化支持,比如给
Sampling层增加get_config方法,让Keras可以识别并存储这个层的配置:class Sampling(layers.Layer): def call(self, inputs): z_mean, z_log_var = inputs batch = tf.shape(z_mean)[0] dim = tf.shape(z_mean)[1] epsilon = tf.keras.backend.random_normal(shape=(batch, dim)) return z_mean + tf.exp(0.5 * z_log_var) * epsilon # 新增序列化配置方法 def get_config(self): return super().get_config() - 修正VAE类里的引用bug:把
train_step、test_step方法里全局引用的encoder、decoder全部替换为实例绑定的self.encoder、self.decoder。 - 修改
ModelCheckpoint的保存路径,不要用h5格式存全量模型,换成Keras原生的.keras格式(支持自定义模型序列化):
后续加载的时候,只需要把自定义对象告诉Keras,就可以一步加载完整模型:# 原来的model_name = 'car_racing_VAE.h5' 替换为 model_name = 'car_racing_VAE.keras'vae = load_model( model_name, custom_objects={"Sampling": Sampling, "VAE": VAE} ) - 如果习惯用h5格式存权重,就把保存路径后缀改成
.weights.h5,Keras会自动识别这是纯权重文件,不会尝试存储结构,后续加载按照前面说的“搭结构→初始化变量→加载权重”的流程操作即可。
内容的提问来源于stack exchange,提问作者Marisol Rodriguez
相关产品推荐
相关产品推荐

