Обучение с учетом квантования: ValueError: `to_quantize` может быть только последовательной или функциональной моделью k ⇐ Python

[Anonymous]

Я пытаюсь протестировать обучение с учетом квантования из TensorFlow Lite. Следующий исходный код создает модель искусственного интеллекта (переменная: модель), обученную с использованием набора данных MNIST (всего 1 эпоха для целей тестирования). Сохранил после модели в файл (model.h5). Когда я создаю модель с поддержкой квантования с именем q_aware_model непосредственно из переменной модели с помощью метода quantize_model, она работает.
Но когда я загружаю свою модель, хранящуюся в файле model.h5 и попытка использовать модель с поддержкой квантования с именем q_aware_model1 завершается с ошибкой:
q_aware_model1 = quantize_model1(model1)
ValueError:
to_quantize can only either be a keras Sequential or Functional model.

Я не знаю почему. В чем проблема?
Моя среда: Spyder 5.5.6, Python 3.12.6 64-разрядная версия, Tensorflow 2.17.0, Tensorflow-model-optimization 0.8.0 и Keras 3.5. 0.
Мой код:
import numpy as np
import tensorflow as tf
from tensorflow import keras
from keras.datasets import mnist

import tf_keras as keras

(x_train, y_train), (x_test, y_test) = mnist.load_data()

x_train = x_train.reshape(60000, 784)
x_test = x_test.reshape(10000, 784)
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
print(x_train.shape[0], 'train samples')
print(x_test.shape[0], 'test samples')

num_classes = 10

# convert class vectors to binary class matrices
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

from keras.models import Sequential
from keras import models, layers
from keras import regularizers

model = keras.Sequential([
keras.layers.Dropout(0.2,input_shape=(784,)),
keras.layers.Dense(1000, kernel_regularizer = regularizers.l2(0.01), activation='relu'),
keras.layers.Dropout(0.5),
keras.layers.Dense(1000, kernel_regularizer = regularizers.l2(0.01), activation='relu'),
keras.layers.Dropout(0.5),
keras.layers.Dense(10, activation='softmax')
])

#model.summary()

model.compile(loss=keras.losses.categorical_crossentropy,
optimizer='adam',
metrics=['accuracy'])

hist = model.fit(x_train, y_train,
batch_size=128,
epochs=1, # just 1
verbose=1,
validation_data=(x_test,y_test))

score = model.evaluate(x_test, y_test, verbose=1)
print("Test loss {:.4f}, accuracy {:.2f}%".format(score[0], score[1] * 100))

print("Saved model.h5 to disk")
model.save("model.h5")

# Quantization Aware Training
import tensorflow_model_optimization as tfmot

print("\n\n\nDirect QAT")
quantize_model = tfmot.quantization.keras.quantize_model

q_aware_model = quantize_model(model)

q_aware_model.compile(loss=keras.losses.categorical_crossentropy,
optimizer='adam',
metrics=['accuracy'])

q_aware_model.summary()

print("\n\n\nQAT from loading model.h5")
model1 = tf.keras.models.load_model('model.h5')
quantize_model1 = tfmot.quantization.keras.quantize_model

q_aware_model1 = quantize_model1(model1)

q_aware_model1.compile(loss=keras.losses.categorical_crossentropy,
optimizer='adam',
metrics=['accuracy'])

q_aware_model1.summary()


Подробнее здесь: https://stackoverflow.com/questions/790 ... -be-a-kera