Valueror: неизвестный слой: 'titem' ⇐ Python

[Anonymous]

Вот полное сообщение об ошибке: < /p>

valueError: неизвестный слой: 'getItem'. Пожалуйста, убедитесь, что вы используете keras.utils.custom_object_scope и что этот объект включен в область. См. Https://www.tensorflow.org/guide/keras/ ... tom_object для деталей. Слой getItem поступает от индексации входного слоя кераса. Оригинальная форма входного слоя составляет (нет, 256, 33), и эта форма разделена на (нет, 256, 1) и (none, 256, 32), первая из которых нарезается на (нет, 1), и последний из которых превращается в (нет, 8) после операций по тензору. Чтобы пройти класс слоя, например, model = load_model ('my_model.h5', custom_objects = {'getItem': getItem}) .
Таким образом, мне нужна помощь в прохождении слоя getItem в качестве пользовательского уровня для функции Load_Model или загрузки модели без этого Hassle. Версия 2,17.0, а версия Keras - 3.5.0.) < /p>
Вот код, который я использовал для загрузки модели. < /p>
import os

import tensorflow as tf

parent_path = os.path.join(os.getcwd(), 'Model')
file_name = "2024_08_14_yunja_Cylinder_MDN_1.h5"
file_path = os.path.join(parent_path, file_name)

model = tf.keras.models.load_model(file_path)
< /code>
Вот форма архитектуры модели. < /p>
┌─────────────────────┬───────────────────┬────────────┬───────────────────┐
│ Layer (type) │ Output Shape │ Param # │ Connected to │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ input_layer │ (None, 256, 33) │ 0 │ - │
│ (InputLayer) │ │ │ │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ get_item_1 │ (None, 256, 32) │ 0 │ input_layer[0][0] │
│ (GetItem) │ │ │ │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ gaussian_noise │ (None, 256, 32) │ 0 │ get_item_1[0][0] │
│ (GaussianNoise) │ │ │ │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv1d (Conv1D) │ (None, 256, 64) │ 18,496 │ gaussian_noise[0… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv1d_1 (Conv1D) │ (None, 256, 64) │ 10,304 │ gaussian_noise[0… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ concatenate │ (None, 256, 128) │ 0 │ conv1d[0][0], │
│ (Concatenate) │ │ │ conv1d_1[0][0] │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv1d_2 (Conv1D) │ (None, 128, 64) │ 41,024 │ concatenate[0][0] │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ max_pooling1d │ (None, 128, 128) │ 0 │ concatenate[0][0] │
│ (MaxPooling1D) │ │ │ │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ concatenate_1 │ (None, 128, 192) │ 0 │ conv1d_2[0][0], │
│ (Concatenate) │ │ │ max_pooling1d[0]… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv1d_3 (Conv1D) │ (None, 128, 32) │ 43,040 │ concatenate_1[0]… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv1d_4 (Conv1D) │ (None, 128, 32) │ 30,752 │ concatenate_1[0]… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ concatenate_2 │ (None, 128, 64) │ 0 │ conv1d_3[0][0], │
│ (Concatenate) │ │ │ conv1d_4[0][0] │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv1d_5 (Conv1D) │ (None, 64, 32) │ 10,272 │ concatenate_2[0]… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ max_pooling1d_1 │ (None, 64, 64) │ 0 │ concatenate_2[0]… │
│ (MaxPooling1D) │ │ │ │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ concatenate_3 │ (None, 64, 96) │ 0 │ conv1d_5[0][0], │
│ (Concatenate) │ │ │ max_pooling1d_1[… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv1d_6 (Conv1D) │ (None, 64, 32) │ 15,392 │ concatenate_3[0]… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv1d_7 (Conv1D) │ (None, 64, 32) │ 9,248 │ concatenate_3[0]… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ concatenate_4 │ (None, 64, 64) │ 0 │ conv1d_6[0][0], │
│ (Concatenate) │ │ │ conv1d_7[0][0] │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv1d_8 (Conv1D) │ (None, 32, 32) │ 10,272 │ concatenate_4[0]… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ re_lu (ReLU) │ (None, 32, 32) │ 0 │ conv1d_8[0][0] │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ max_pooling1d_2 │ (None, 32, 64) │ 0 │ concatenate_4[0]… │
│ (MaxPooling1D) │ │ │ │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ concatenate_5 │ (None, 32, 96) │ 0 │ re_lu[0][0], │
│ (Concatenate) │ │ │ max_pooling1d_2[… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ flatten (Flatten) │ (None, 3072) │ 0 │ concatenate_5[0]… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ dropout (Dropout) │ (None, 3072) │ 0 │ flatten[0][0] │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ gaussian_noise_1 │ (None, 3072) │ 0 │ dropout[0][0] │
│ (GaussianNoise) │ │ │ │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ dense (Dense) │ (None, 1536) │ 4,720,128 │ gaussian_noise_1… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ dropout_1 (Dropout) │ (None, 1536) │ 0 │ dense[0][0] │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ gaussian_noise_2 │ (None, 1536) │ 0 │ dropout_1[0][0] │
│ (GaussianNoise) │ │ │ │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ dense_1 (Dense) │ (None, 256) │ 393,472 │ gaussian_noise_2… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ dropout_2 (Dropout) │ (None, 256) │ 0 │ dense_1[0][0] │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ gaussian_noise_3 │ (None, 256) │ 0 │ dropout_2[0][0] │
│ (GaussianNoise) │ │ │ │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ dense_2 (Dense) │ (None, 64) │ 16,448 │ gaussian_noise_3… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ dense_3 (Dense) │ (None, 8) │ 520 │ dense_2[0][0] │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ get_item (GetItem) │ (None, 1) │ 0 │ input_layer[0][0] │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ concatenate_6 │ (None, 9) │ 0 │ dense_3[0][0], │
│ (Concatenate) │ │ │ get_item[0][0] │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ dense_4 (Dense) │ (None, 4) │ 40 │ concatenate_6[0]… │
└─────────────────────┴───────────────────┴────────────┴───────────────────┘
< /code>
код для построения модели: < /p>
def build_MGNN(
input_shape: tuple[int],
output_num: int,
num_given: int,
last_activation: float
) -> tf.keras.models:

input_ = Input(shape=input_shape)
extra_ = input_[:, 0, :num_given]
next_ = input_[:, :, num_given:]

next_ = GaussianNoise(0.025)(next_)

temp_0 = Conv1D(
filters=64,
kernel_size=9,
strides=1,
padding="same",
activation="relu"
)(next_)

temp_1 = Conv1D(
filters=64,
kernel_size=5,
strides=1,
padding="same",
activation="relu"
)(next_)

x = Concatenate(axis=2)([temp_0, temp_1])

temp_0 = Conv1D(
filters=64,
kernel_size=5,
strides=2,
padding="same",
activation="relu"
)(x)

temp_1 = MaxPooling1D()(x)

x = Concatenate(axis=2)([temp_0, temp_1])

temp_0 = Conv1D(
filters=32,
kernel_size=7,
strides=1,
padding="same",
activation="relu"
)(x)

temp_1 = Conv1D(
filters=32,
kernel_size=5,
strides=1,
padding="same",
activation="relu"
)(x)

x = Concatenate(axis=2)([temp_0, temp_1])

temp_0 = Conv1D(
filters=32,
kernel_size=5,
strides=2,
padding="same",
activation="relu"
)(x)

temp_1 = MaxPooling1D()(x)

x = Concatenate(axis=2)([temp_0, temp_1])

temp_0 = Conv1D(
filters=32,
kernel_size=5,
strides=1,
padding="same",
activation="relu"
)(x)

temp_1 = Conv1D(
filters=32,
kernel_size=3,
strides=1,
padding="same",
activation="relu"
)(x)

x = Concatenate(axis=2)([temp_0, temp_1])

temp_0 = Conv1D(
filters=32,
kernel_size=5,
strides=2,
padding="same"
)(x)

temp_0 = ReLU()(temp_0)

temp_1 = MaxPooling1D()(x)

x = Concatenate(axis=2)([temp_0, temp_1])

x = Flatten()(x)
x = Dropout(0.25)(x)
x = GaussianNoise(0.05)(x)

x = Dense(units=1536, activation="relu")(x)

x = Dropout(0.125)(x)
x = GaussianNoise(0.025)(x)

x = Dense(units=256, activation="relu")(x)

x = Dropout(0.0625)(x)
x = GaussianNoise(0.0125)(x)

x = Dense(units=64, activation="relu")(x)
x = Dense(units=8, activation="relu")(x)
x = Concatenate(axis=1)([x, extra_])
x = Dense(units=2*output_num, activation=last_activation)(x)

model = Model(inputs=input_, outputs=x)

return model


Подробнее здесь: https://stackoverflow.com/questions/788 ... er-getitem