使用Scikit-learn Pipeline集成KerasClassifier出现AttributeError求助

我完全懂你的困扰——把预训练好的Keras模型通过KerasClassifier集成到Scikit-learn Pipeline后，居然因为model属性不存在报错，这确实挺头疼的。本质原因是KerasClassifier默认依赖fit()方法来初始化内部的model属性，哪怕你已经有了预训练模型，直接赋值进去的话，Pipeline调用预测方法时还是会认为模型没经过拟合，导致找不到model属性。

下面给你两种可行的解决方案：

方案一：手动绑定预训练模型到KerasClassifier #

直接加载你的预训练模型，然后手动把它赋值给KerasClassifier实例的model属性，同时初始化必要的参数（比如epochs、batch_size，这些是KerasClassifier的必填参数，哪怕你不用fit）。示例代码如下：

from tensorflow.keras.models import load_model
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler, FunctionTransformer
from tensorflow.keras.wrappers.scikit_learn import KerasClassifier

# 1. 加载你的预训练Keras模型
pretrained_model = load_model("your_trained_model.h5")

# 2. 初始化KerasClassifier，手动绑定预训练模型
keras_clf = KerasClassifier(epochs=1, batch_size=32)  # 参数随便填，反正不会真的fit
keras_clf.model = pretrained_model

# 3. 构建你的3组件Pipeline（这里用示例组件代替你的实际组件）
pipeline = Pipeline([
    ("scaler", StandardScaler()),
    ("transformer", FunctionTransformer()),
    ("classifier", keras_clf)
])

# 现在可以正常调用predict_proba了
probabilities = pipeline.predict_proba(your_test_data)

方案二：自定义KerasClassifier子类（更优雅的方式） #

如果不想每次都手动绑定模型，可以自定义一个子类，在初始化时直接接收预训练模型，自动完成绑定：

from tensorflow.keras.wrappers.scikit_learn import KerasClassifier

class PretrainedKerasClassifier(KerasClassifier):
    def __init__(self, pretrained_model, **kwargs):
        super().__init__(build_fn=None, **kwargs)
        self.model = pretrained_model

# 使用方式
pretrained_model = load_model("your_trained_model.h5")
custom_clf = PretrainedKerasClassifier(pretrained_model, batch_size=32)

# 加入Pipeline后正常使用
pipeline = Pipeline([
    # 你的3个前置组件
    ("classifier", custom_clf)
])

probabilities = pipeline.predict_proba(your_test_data)

为什么这个方法有效？ #

Scikit-learn的Pipeline在执行预测类方法时，会检查每个步骤的fit()是否被调用过，但KerasClassifier的核心逻辑是基于内部的model属性工作的。只要我们手动给它赋值了预训练好的model，就能绕过必须调用fit()的限制，让Pipeline正常识别到模型已经可用。

内容的提问来源于stack exchange，提问作者soulless