keras - keras 和 tf.keras 模型之间的兼容性

Question

我有兴趣在 tf.keras 中训练一个模型，然后用 keras 加载它。我知道这不是高度建议，但我对使用 tf.keras 来训练模型很感兴趣，因为

tf.keras 更容易构建输入管道

我想利用 tf.dataset API

我有兴趣用 keras 加载它，因为

我想使用 coreml 将模型部署到 ios。

我想使用 coremltools 将我的模型转换为 ios，并且 coreml 工具仅适用于 keras，而不适用于 tf.keras。

我遇到了一些障碍，因为并非所有 tf​​.keras 层都可以作为 keras 层加载。例如，我在使用简单的 DNN 时没有遇到任何问题，因为 tf.keras 和 keras 之间的所有 Dense 层参数都是相同的。但是，我在使用 RNN 层时遇到了麻烦，因为 tf.keras 有一个参数 time_major keras 没有。我的 RNN 层有 time_major=False ，这与 keras 的行为相同，但 keras 顺序层没有这个参数。

我现在的解决方案是将 tf.keras 模型保存在 json 文件中(用于模型结构)并删除 keras 不支持的层部分，并保存一个 h5 文件(用于权重)，如下所示:

model = # model trained with tf.keras

# save json
model_json = model.to_json()
with open('path_to_model_json.json', 'w') as json_file:
    json_ = json.loads(model_json)
    layers = json_['config']['layers']
    for layer in layers:
        if layer['class_name'] == 'SimpleRNN':
            del layer['config']['time_major']
    json.dump(json_, json_file)

# save weights
model.save_weights('path_to_my_weights.h5')

然后，我使用 coremlconverter 工具将 keras 转换为 coreml，如下所示:

with CustomObjectScope({'GlorotUniform': glorot_uniform()}):
    coreml_model = coremltools.converters.keras.convert(
        model=('path_to_model_json','path_to_my_weights.h5'),
        input_names=#inputs, 
        output_names=#outputs,
        class_labels = #labels, 
        custom_conversion_functions = { "GlorotUniform": tf.keras.initializers.glorot_uniform
                                            }
    )
    coreml_model.save('my_core_ml_model.mlmodel')

我的解决方案似乎有效，但我想知道是否有更好的方法？或者，这种方法是否存在迫在眉睫的危险？例如，是否有更好的方法将 tf.keras 模型转换为 coreml？或者有没有更好的方法将 tf.keras 模型转换为 keras？或者有没有我没有想到的更好的方法？

任何关于此事的建议将不胜感激:)

Answer 1

你的方法对我来说似乎很好!

过去，当我不得不转换tf.keras型号到 keras模型，我做了以下:

在 tf.keras 中训练模型

仅保存权重 tf_model.save_weights("tf_model.hdf5")

使用 keras 中的所有层制作 Keras 模型架构(与 tf keras 相同)

在 keras 中按层名称加载权重:keras_model.load_weights(by_name=True)

这似乎对我有用。因为，我使用的是开箱即​​用的架构(DenseNet169)，所以我需要很少的工作来将 tf.keras 网络复制到 keras。