使用Keras Lambda层与共享变量时无法保存模型，报pickle线程锁错误

我之前也碰到过一模一样的坑！这个错误的根源在于你在Lambda层里传入了Keras后端生成的张量（比如K.max(inputs)这类）作为参数，而这些张量内部包含了没法被pickle序列化的_thread.lock对象——模型保存时需要把所有层的配置和参数序列化，pickle搞不定这种带线程锁的内部对象，所以直接抛出了这个错误。

下面给你两种可行的解决办法：

方案一：把所有计算逻辑移到Lambda层内部函数里 #

不用把minimum和span作为外部参数传入，直接在Lambda的处理函数里计算这些值，让所有操作都在层的上下文内完成，序列化时就不会出问题：

import numpy as np
from keras.layers.core import Dense, Lambda
from keras.layers import Input
from keras.models import Model
import keras.backend as K

n_inputs = 20
n_instances = 100

def preprocess(X):
    minimum = K.min(X, axis=1, keepdims=True)
    span = K.max(X, axis=1, keepdims=True) - minimum
    output = (X - minimum)/span
    return output

inputs = Input(shape=(n_inputs,), name='input_tensor')
# 直接用Lambda层包裹内部完成所有计算的函数
preprocessed = Lambda(preprocess)(inputs)
# 后续可以继续添加层，比如全连接层
dense_out = Dense(10)(preprocessed)
model = Model(inputs=inputs, outputs=dense_out)

# 现在测试模型保存与加载
model.save("test_model.h5")
from keras.models import load_model
loaded_model = load_model("test_model.h5")

方案二：用自定义Layer替代Lambda层（适合需要共享变量的场景） #

如果你的场景确实需要在多个层之间共享某些变量，Lambda层的灵活性就不够了，自定义Layer是更稳妥的选择。自定义Layer可以明确声明可序列化的变量，确保模型保存和加载完全正常：

import numpy as np
from keras.layers import Layer, Input, Dense
from keras.models import Model
import keras.backend as K

n_inputs = 20
n_instances = 100

class PreprocessLayer(Layer):
    def __init__(self, **kwargs):
        super(PreprocessLayer, self).__init__(**kwargs)

    def call(self, inputs):
        # 在这里完成预处理计算，逻辑和方案一一致
        minimum = K.min(inputs, axis=1, keepdims=True)
        span = K.max(inputs, axis=1, keepdims=True) - minimum
        return (inputs - minimum)/span

    def get_config(self):
        # 必须实现get_config方法，确保层可以被序列化
        config = super(PreprocessLayer, self).get_config()
        return config

inputs = Input(shape=(n_inputs,), name='input_tensor')
preprocessed = PreprocessLayer()(inputs)
dense_out = Dense(10)(preprocessed)
model = Model(inputs=inputs, outputs=dense_out)

# 保存与加载测试，注意加载时要注册自定义层
model.save("custom_layer_model.h5")
loaded_model = load_model("custom_layer_model.h5", custom_objects={"PreprocessLayer": PreprocessLayer})

额外提醒：

• 使用自定义Layer时，加载模型必须通过custom_objects参数注册你的自定义层类，否则Keras找不到对应的层定义。
• 尽量避免在Lambda层外部传递Keras张量作为参数，所有依赖的计算都放到层的内部函数里，能避开大部分序列化问题。

内容的提问来源于stack exchange，提问作者Flabou