在 {TF 2.0.0-beta1 上使用 tflite_convert 时的“未知（自定义）损失函数”；Keras} 模型

Question

概括

我的问题是由：

• 我展示我的项目、我的工作环境和我的工作流程的上下文
• 详细问题
• 我的代码的相关部分
• 我试图解决我的问题的解决方案
• 问题提醒

语境

我已经编写了原始超分辨率 GAN 降级版本的 Python Keras 实现。现在我想使用 Google Firebase Machine Learning Kit 测试它，将它托管在 Google 服务器中。这就是我必须将我的 Keras 程序转换为 TensorFlow Lite 程序的原因。

环境和工作流程（有问题）

我正在 Google Colab 工作环境中训练我的程序：在那里，我已经安装了TF 2.0.0-beta1（这个选择是由这个不正确的答案激发的：https ://datascience.stackexchange.com/a/57408/78409 ）。

工作流程（和问题）：

1. 我写在本地我的Python程序Keras，记住，这将在TF 2，所以我使用TF 2级的进口，例如运行：from tensorflow.keras.optimizers import Adam和也from tensorflow.keras.layers import Conv2D, BatchNormalization

2. 我将代码发送到我的云端硬盘

3. 我的 Google Colab Notebook: TF 2 运行没有任何问题。

4. 我在我的 Drive 中获得了输出模型，然后我下载了它。

5. 我尝试通过执行以下 CLI 将此模型转换为 TFLite 格式tflite_convert --output_file=srgan.tflite --keras_model_file=srgan.h5：：此处出现问题。

问题

之前的 CLI 没有从 TF (Keras) 模型输出 TF Lite 转换模型，而是输出此错误：

ValueError：未知损失函数：build_vgg19_loss_network

该函数build_vgg19_loss_network是我实现的自定义损失函数，必须由 GAN 使用。

引起此问题的部分代码

展示自定义损失函数

自定义损失函数是这样实现的：

def build_vgg19_loss_network(ground_truth_image, predicted_image):
    loss_model = Vgg19Loss.define_loss_model(high_resolution_shape)
    return mean(square(loss_model(ground_truth_image) - loss_model(predicted_image)))

使用我的自定义损失函数编译生成器网络

generator_model.compile(optimizer=the_optimizer, loss=build_vgg19_loss_network)

我为解决问题所做的尝试

1. 当我在 StackOverflow 上阅读它时（这个问题开头的链接），人们认为 TF 2 足以输出一个 Keras 模型，该模型将由我的tflite_convertCLI正确处理。但显然不是。

2. 当我读它在GitHub上，我试图手动设置Keras'损失函数中我自定义的损失函数，加上几行：import tensorflow.keras.losses tensorflow.keras.losses.build_vgg19_loss_network = build_vgg19_loss_network。它没有用。

3. 我在 GitHub 上读到我可以使用带有load_modelKeras 函数的自定义对象：但我只想使用compileKeras 函数。不是load_model。

我的最后一个问题

我只想对我的代码做微小的更改，因为它工作正常。所以我不想，例如，替换compile为load_model. 有了这个限制，你能帮我，让我的 CLItflite_convert与我的自定义损失函数一起工作吗？

Answer 1

由于您声称 TFLite 转换因自定义损失函数而失败，因此您可以保存模型文件而不保留优化器详细信息。为此，请将include_optimizer参数设置为 False，如下所示：

model.save('model.h5', include_optimizer=False)

现在，如果模型中的所有层都是可转换的，它们应该被转换为 TFLite 文件。

编辑：然后您可以像这样转换 h5 文件：

import tensorflow as tf

model = tf.keras.models.load_model('model.h5')   # srgan.h5 for you
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()
open("converted_model.tflite", "wb").write(tflite_model)

此处记录了克服 TFLite 转换中不受支持的运算符的通常做法。