Keras 2.1.5（TF后端）使用Lambda层加载模型时preprocess_input报错

这个问题我之前也碰到过！核心原因是Keras在保存模型时无法序列化Lambda层里引用的外部函数（比如你用的preprocess_input），当调用load_model时，系统找不到这个函数的定义，自然就抛出相关报错了。给你几个可行的解决办法：

方法一：加载时指定custom_objects #

最简单的处理方式是在加载模型时，把preprocess_input明确告知Keras。代码如下：

from keras.applications.resnet50 import preprocess_input
from keras.models import load_model

# 替换成你的模型文件路径
model = load_model('your_model.h5', custom_objects={'preprocess_input': preprocess_input})

这样Keras就能正确识别Lambda层里调用的函数了。

方法二：把预处理步骤移到模型外部 #

如果不想在加载时额外配置，可以直接去掉模型里的Lambda预处理层，把preprocess_input的调用放在数据输入模型之前：

# 重构模型：移除Lambda层
base_model = keras.applications.resnet50.ResNet50(include_top=False, input_shape=(224, 224, 3))
model = Sequential()
model.add(base_model)
model.add(GlobalAveragePooling2D())
model.add(Dense(len(classes), activation="softmax"))

# 训练前先预处理数据
x_train = preprocess_input(x_train)
model.fit(x_train, y_train, epochs=10, batch_size=32)

# 预测时同样先处理输入
x_test = preprocess_input(x_test)
predictions = model.predict(x_test)

这种方式更清晰，也避免了序列化问题，推荐在新项目里使用。

方法三：自定义可序列化的预处理层 #

如果必须把预处理放在模型内部，可以自定义一个继承自Layer的预处理层，这样Keras能正常序列化它：

from keras.layers import Layer
from keras.applications.resnet50 import preprocess_input

class ResNetPreprocessLayer(Layer):
    def __init__(self, **kwargs):
        super(ResNetPreprocessLayer, self).__init__(**kwargs)
    
    def call(self, inputs):
        # 直接调用preprocess_input处理输入
        return preprocess_input(inputs)
    
    def get_config(self):
        # 必须实现这个方法才能正常序列化
        config = super(ResNetPreprocessLayer, self).get_config()
        return config

# 用自定义层构建模型
model = Sequential()
model.add(ResNetPreprocessLayer(name='Input_Image', input_shape=(224, 224, 3)))
model.add(base_model)
model.add(GlobalAveragePooling2D())
model.add(Dense(len(classes), activation="softmax"))

加载模型时，需要把自定义层加入custom_objects：

model = load_model('your_model.h5', custom_objects={'ResNetPreprocessLayer': ResNetPreprocessLayer})

内容的提问来源于stack exchange，提问作者Kai