返回

TensorFlow 对象检测模型构建出错：如何修复 \

python

TensorFlow 对象检测模型构建错误：keras.layers.experimental 丢失

问题概述

使用 TensorFlow 2.15 构建对象检测模型时，你可能会遇到以下错误：

AttributeError: module 'keras._tf_keras.keras.layers' has no attribute 'experimental'

潜在原因

此错误表明 TensorFlow 安装中缺少 keras.layers.experimental 模块。该模块在 TensorFlow 2.6 及更低版本中可用，但在 TensorFlow 2.7 及更高版本中已弃用。

解决方法

1. 降级 TensorFlow

将 TensorFlow 降级到 2.6 或更低版本，以恢复对 keras.layers.experimental 模块的访问。

2. 更新对象检测代码

克隆最新版本的 TensorFlow Object Detection API，其中已更新了不再使用 keras.layers.experimental 模块的代码。

!git clone https://github.com/tensorflow/models {paths['APIMODEL_PATH']}

3. 导入 TensorFlow 2.7 或更高版本的兼容性层

在 TensorFlow 2.7 或更高版本中，使用以下命令导入兼容性层以替换 keras.layers.experimental 模块：

from tensorflow.compat.v1.keras.layers import experimental as layers_compat

然后，在需要使用 SyncBatchNormalization 层的地方使用 layers_compat.SyncBatchNormalization 而不是 keras.layers.experimental.SyncBatchNormalization。

注意要点

  • 建议降级 TensorFlow 或更新 Object Detection API，因为使用兼容性层可能会导致性能问题或不兼容。
  • 确保在降级 TensorFlow 时遵循正确的步骤，以避免兼容性问题。
  • 在执行任何更改之前备份你的代码和环境。

常见问题解答

1. 为什么要弃用 keras.layers.experimental 模块？

弃用是为了简化 API 并整合新功能。

2. 如何降级 TensorFlow？

使用 pip 或 conda，例如：

pip install tensorflow==2.6.0

3. 如果我更新了 Object Detection API 但仍然遇到错误怎么办？

确保你已正确克隆了最新版本，并检查你的代码是否有任何硬编码的模块名称。

4. 为什么使用兼容性层可能会导致问题？

兼容性层可能与其他 TensorFlow 组件不兼容，并且可能导致性能下降。

5. 如何避免此类错误？

密切关注 TensorFlow 的版本说明和更新公告，以了解即将发生的弃用。