Keras的自定義lambda層去reshape tensor張量時model保存出錯的解決辦法

背景

          分割網絡在進行上採樣的時候我用的是雙線性插值上採樣的，而Keras裏面並沒有實現雙線性插值的函數，所以要自己調用tensorflow裏面的tf.image.resize_bilinear()函數來進行resize,如果直接用tf.image.resize_bilinear()函數對Keras張量進行resize的話，會報出異常，大概意思是tenorflow張量不能轉換爲Keras張量，要想將Kears Tensor轉換爲 Tensorflow Tensor需要進行自定義層，Keras自定義層的時候需要用到Lambda層來包裝。大概源碼(只是大概意思)如下：

from keras.layers import Lambda
import tensorflow as tf
 
first_layer=Input(batch_shape=(None, 64, 32, 3))
 
f=Conv2D(filters, 3, activation = None, padding = 'same', kernel_initializer = 'glorot_normal',name='last_conv_3')(x)
 
upsample_bilinear = Lambda(lambda x: tf.image.resize_bilinear(x,size=first_layer.get_shape().as_list()[1:3]))
 
f=upsample_bilinear(f)

然後編譯 這個源碼：

optimizer = SGD(lr=0.01, momentum=0.9)
model.compile(optimizer = optimizer, loss = model_dice, metrics = ['accuracy'])
 
model.save('model.hdf5')

其中要注意到這個tf.image.resize_bilinear()裏面的size，我用的是根據張量(first_layer)的形狀來做爲reshape後的形狀，保存模型用的是model.save().然後就會出現以下錯誤！

 

 

異常描述：

            在一個epoch完成後保存model時出現下面錯誤，五個錯誤提示隨機出現：

•           TypeError: cannot serialize ‘_io.TextIOWrapper’ object

•           TypeError: object.new(PyCapsule) is not safe, use PyCapsule.new()

•            AttributeError: ‘NoneType’ object has no attribute ‘update’

•           TypeError: cannot deepcopy this pattern object

•           TypeError: can’t pickle module objects

 

 

問題分析：

這個有兩方面原因：

1. tf.image.resize_bilinear()中的size不應該用另一個張量的size去指定。

2. 如果用了另一個張量去指定size,用model.save()來保存model是不能序列化的。那麼保存model的時候只能保存權重——model.save_weights('mode_weights.hdf5')

 

 

 

解決辦法(兩種)：

       1.tf.image.resize_bilinear()的size用常數去指定

upsample_bilinear = Lambda(lambda x: tf.image.resize_bilinear(x,size=[64,32]))

     2.如果用了另一個張量去指定size,那麼就修改保存模型的函數，變成只保存權重

model.save_weights('model_weights.hdf5')

 

 

 

總結：

• ​​​​我想使用keras的Lambda層去reshape一個張量

• 如果爲重塑形狀指定了張量，則保存模型（保存）將失敗

• 您可以使用save_weights而不是save進行保存