问题标签 [tensorflow-model-analysis]

任何人都可以在此错误消息中帮助我：ValueError：未知层：DenseVariational。请确保将此对象传递给custom_objects参数。

当我尝试使用 tf.keras 加载经过训练的贝叶斯神经网络模型时，就会发生这种情况。它不断返回未知层：DenseVariational。但是训练代码运行良好。有谁知道如何解决这个问题？

我们尝试修改 Densevariational_v2 模块中的 get_config 函数，但它不起作用。谢谢并感激！！

加载模型的代码：

训练和保存模型的代码：

训练代码工作正常，我没有在这里复制整个内容，但它可以将模型保存到 .h5 文件中。只是加载部分，它无法完成。提前致谢！

这就是我的训练脚本的样子，只有重要的部分。

这是推理脚本，在不同的 python 会话中。

最后一个预测循环是必要的，因为该model.predict方法似乎直到五次尝试才在测试集上给出正确的结果（即在训练期间观察到的结果）。模型本身加载的权重与训练期间观察到的相同，但预测方法的输出似乎有一些周期性变化，所以每次我使用它时，我必须调用它五次以确保一致性。我不知道为什么会这样。我应该采取什么纠正措施？特别是，5 在这里看起来完全是一个神奇的数字。

如果它很重要，请在 python 3.8、Ubuntu 20.04 上运行它（并打算使用相同的 docker 映像在生产中部署），并使用以下库版本。

编辑：经过更多的实验，我意识到周期不是 5，但实际上没有这样的周期。它在加载和预测时不断给出随机结果，有时它确实给出了正确的结果。

是否可以在将模型预测传递给tfma.run_model_analysis之前对其进行后处理？据我在教程中看到的，没有办法做到这一点，因为它只接受经过训练的模型、tfrecords 格式的数据以及要计算的指标列表。

谢谢！

我正在基于 cifar10 示例构建 tfx 管道：[https://github.com/tensorflow/tfx/tree/master/tfx/examples/cifar10]

不同之处在于我不想将其转换为 tf_lite 模型，而是使用基于 keras 的常规 tensorflow 模型。

一切都按预期工作，直到我到达 Evaluator 组件，因为它失败并出现以下错误：

不知道我做错了什么，但到目前为止我调试/修改了代码如下：

[1] preprocessing_fn 输出正在输出密钥image_xf：

[2] 当我构建模型时，我使用了带有同名 inputLayer 的迁移学习image_xf。

[3] 相应地创建模型签名：

现在，我怀疑 tensorflow 没有正确保存模型，因为当我导出保存的模型时，输入层input_1不是image_xf.

这里要注意的是（1）我在Sequential上面的模型中添加的输入层丢失了，（2）mobilenet 第一层是input_1，所以我得到一个不匹配的原因是有道理的。

那么我怎样才能让模型正确保存正确的输入呢？

这是完整的代码：

管道.py

实用程序文件：

我正在编写一个 API，它配置一个 tfma EvalConfig protobuf 对象并将其发送到下游以在 TFX 管道中使用。目前此 API 运行

它初始化了整个 tensorflow 框架。它使我非常小的 API 依赖于整个（巨大的）Tensorflow 框架，并且也不必要地使其依赖于在 tensorflow 实际启动的架构上运行。由于这些原因，我希望能够只导入/加载 protobuf 类。

我已经知道我可以通过在我的项目中硬拷贝整个 .proto 来实现这一点，但我发现这既肮脏又令人反感，如果/当 TFMA 项目决定更改 proto 文件时，它肯定会增加开销。

有没有一种干净的方法可以只从 TFMA 导入 proto 文件？或者来自 tensorflow 的其他 proto 文件？