在没有自定义对象的情况下保存完整的 tf.keras 模型？

Question

假设我们有一些模型，包括在训练期间很重要的自定义损失和指标。是否可以在没有自定义对象的情况下保存完整的模型，即权重 + graphdef / pb 文件？

在推理过程中不需要自定义损失和指标，因此...

tf.keras.models.load_model("some_model", custom_objects={...})

...只会使推理代码更加复杂，因为需要包含自定义对象代码以进行推理（尽管未使用它）。

但是，tf.keras.callbacks.ModelCheckpoint（即使使用include_optimizer=False）以及调用model.save()始终保存模型定义，包括自定义对象。

因此，只需加载模型...

tf.keras.models.load_model("some_model")

...总是会失败并抱怨缺少自定义对象。

是否可以在没有自定义损失/指标的情况下以某种方式保存整个模型？获得易于加载的网络的“推理”版本？

或者是将所有内容冻结到 TFLite 模型的唯一解决方案？

当然，可以简单地使用model.save_weights()，但随后需要包含实际代码以进行推理，这是不希望的。

Answer 1

如果目的是防止加载 loss 和 metrics，可以使用compilein 中的参数load_model：

model = tf.keras.models.load_model("some_model", compile=False)

这应该跳过损失和指标/优化器的要求，因为模型未编译。当然你现在不能训练模型，但它应该适用于推理使用model.predict()