用自定义层加载Keras中保存的模型，预测结果不一样？

Question

我的网络在我的数据集上实现了 96% 的准确率（编辑：预测 9 个类别）。 每当我运行它时，我都会为每个时代（包括权重）保存整个模型。 我运行了 3 次，每次测试不同的超参数，每次都达到 96% 左右的准确率。

当我现在尝试加载这些测试中的任何一个并再次运行它时，它达到了大约 50% 的准确率。 我非常有信心在同一个数据集上运行它。

有趣的是：如果我训练一个具有完全相同架构、相同大小、形状等的新网络实例，它最多只能达到 85% 的准确率。 此外，保存和加载这些新的训练模型可以正常工作，因为在模型中将达到相同的 85% 准确率。

所以，有一个与负载没有问题，我的数据集没有问题。 发生这种情况的唯一方法是我的自定义层出现问题，或者发生了其他事情。

不幸的是，我还没有将我对自定义层的所有更改都提交给 git。 虽然我不能保证我的自定义图层完全相同，但我几乎完全有信心。

关于可能导致这种差异的任何想法？

编辑：为了添加更多上下文，该层从 ConvLSTM2d 类中剥离，但我将 call() 函数替换为简单的使用卷积而不是点积的普通 RNN。 我相信，在（）函数调用是和以前一样，但我不相信，班里的其他同学也一样。 课堂上还有其他可能影响性能的东西吗？ 我已经检查了激活功能。

Answer 1

好吧，让我们考虑一下，您的问题基本上有两个可能的原因。 您的自定义层不相同，因此某些权重设置不正确，从而导致误分类。 在二进制分类的情况下，您最终会在平衡数据上获得 50% 的准确率。

第二个可能的原因是，keras 序列化中存在错误。 在这种情况下，您的新训练和保存的模型在反序列化后也应该显示此问题。

虽然我不能保证我的自定义图层完全相同，但我几乎完全有信心。

所以这个问题不能用新模型重现，你的准确率为 50%，你不能保证自定义层匹配。 -> 我猜是你自定义层。

Answer 2

我终于找到了答案。

我已经实现了一个自定义 Lambda 层来处理整形。 该层加载困难。 具体来说，它将一维重塑为任意间隔的二维。 每次我加载模型时，间隔默认为一个特定值，即使它不正确。 当我强制它是正确的间隔时，它就起作用了。