在Keras模型上执行RFE遇TypeError：无法序列化_thread.RLock对象

我之前也碰到过一模一样的问题！其实根源很好理解：scikit-learn的RFE在运行过程中需要对传入的估算器（estimator）做序列化（pickle）操作，但Keras模型内部的线程锁（_thread.RLock）对象没办法被pickle——尤其是你直接把一个已经初始化好的Keras模型传给KerasClassifier的build_fn时，这个模型已经带有了不可序列化的运行时状态，自然就报错了。

下面给你两个亲测有效的解决方案：

方案一：把模型构建逻辑完全封装到build_fn内部 #

别再传入预先定义好的model对象了，让build_fn每次被调用时都重新构建一个全新的模型，这样就能避开已有的不可序列化状态。示例代码如下：

from keras.models import Sequential
from keras.layers import Dense
from keras.wrappers.scikit_learn import KerasClassifier
from sklearn.feature_selection import RFE

# 把完整的模型构建逻辑写到build_fn里
def build_model():
    # 这里根据你的需求定义多层感知器结构
    model = Sequential()
    model.add(Dense(64, activation='relu', input_dim=X_train.shape[1]))  # input_dim替换成你的特征数量
    model.add(Dense(32, activation='relu'))
    model.add(Dense(1, activation='sigmoid'))
    # 编译模型
    model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
    return model

# 初始化KerasClassifier，使用上面的build_fn
epochs = 10
bs = 32
k_model = KerasClassifier(build_fn=build_model, epochs=epochs, batch_size=bs, verbose=0)

# 现在可以正常运行RFE了
selector = RFE(k_model, step=1)
selector.fit(X_train, y_train)

方案二：改用TensorFlow官方的兼容包装（适用于TF2.x） #

如果你用的是TensorFlow 2.x版本，推荐直接用tf.keras.wrappers.scikit_learn.KerasClassifier（注意和Keras原生的包装区分开），它对scikit-learn的兼容性做了优化，大概率能直接解决pickle问题。用法和方案一基本一致，只是导入路径不同：

from tensorflow.keras.wrappers.scikit_learn import KerasClassifier
# 后续的build_fn定义、RFE用法和方案一完全相同

补充说明错误原因 #

当你把一个已经创建好的model传给KerasClassifier时，这个模型已经初始化了一些内部的线程同步对象（比如RLock），这些对象是用来保证模型在多线程环境下的安全，但它们本身不支持pickle序列化。而RFE在执行特征消除的过程中，需要多次保存、复制估算器，因此触发了这个类型错误。

内容的提问来源于stack exchange，提问作者Ben Schifman