keras模型与tf.keras模型的兼容性

Question

我感兴趣的是在tf.keras中训练一个模型，然后用keras加载它。我知道这不是很明智，但我对使用tf.keras来训练模型很感兴趣，因为

1. tf.keras更容易构建输入管道。
2. 我想利用tf.dataset API

我很有兴趣把它装上角因为

1. 我想使用coreml将模型部署到ios。
2. 我希望使用coremltools将我的模型转换为ios，而coreml工具只适用于keras，而不是tf.keras。

我遇到了一些路障，因为并不是所有的tf.keras层都可以作为keras层加载。例如，我没有遇到简单的DNN问题，因为在tf.keras和keras之间，所有的密集层参数都是相同的。但是，我在RNN层方面遇到了麻烦，因为tf.keras有一个keras没有的参数time_major。我的RNN层有time_major=False，这是与keras相同的行为，但是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)，删除keras不支持的层的部分，还保存一个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coreml转换器工具从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')

我的解决方案似乎奏效了，但我想知道是否有更好的办法？或者，这种做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？或者是否有更好的方法将tf.keras模型转换为keras？还是有更好的方法我还没想过？

如能就此提供任何建议，将不胜感激:)

Answer 1

你的方法对我来说很好！

在过去，当我不得不将tf.keras模型转换为keras模型时，我做了以下工作：

• tf.keras中的列车模型
• 只保存权重tf_model.save_weights("tf_model.hdf5")
• 使Keras模型体系结构使用keras中的所有层(与tf keras 1相同)
• 在keras中按层名加载权重：keras_model.load_weights(by_name=True)

这似乎对我有用。由于我使用的是开箱即用的体系结构(DenseNet169)，所以我不得不将tf.keras网络复制到keras中的工作量非常少。