Keras

—Stars

面向深度学习开发的多后端框架，以统一的高层 API 构建、训练、评估和部署模型，并让同一套工作流运行在 JAX、TensorFlow 与 PyTorch 后端之上。

Deep Learning APIJAX · TensorFlow · PyTorchPython · Model Saving
查看贡献详情 查看 GitHub 项目查看我的 PR
MODEL SERIALIZATION · STATE OWNERSHIP

保存模型，不应该改变正在保存的模型

Legacy HDF5 可以拥有自己的元数据投影，但活跃模型的 compile config 必须在保存前后保持完全一致。

LIVE MODEL · BEFORE SAVEcompile_config
optimizerAdam
lossmean_squared_error
model.get_compile_config()
BEFORE · SHARED DICTIONARYtraining_config = model._compile_config.config
HDF5 metadata↔live model
training_config.pop("optimizer").keras reload → RMSprop
AFTER · PRIVATE SERIALIZATION COPYtraining_config = config.copy()
HDF5 COPYoptimizer removedLIVE MODELoptimizer = Adam
SAVE ≠ MUTATE

Torch · TensorFlow · JAX

隐式消耗

一次 HDF5 保存移除了 Optimizer

旧版 HDF5 保存路径在生成模型元数据时，直接把 `model._compile_config.config` 赋给临时 `training_config`，再为单独序列化优化器而执行 `pop("optimizer")`。两个变量实际指向同一个字典，因此一次 `.h5` 保存就会从仍在运行的模型中删除优化器配置；之后再保存为原生 `.keras` 并加载时，模型可能不再恢复原来的 Adam，而是静默使用默认 RMSprop。

所有权边界

格式投影只能修改序列化副本

序列化可以针对目标格式裁剪字段，但这种格式投影只应发生在序列化器自己的数据上。这里无需深拷贝整个嵌套配置：代码只移除顶层 `optimizer` 键，其他损失函数、指标和编译选项仍按原路径只读序列化；在首次修改前建立浅拷贝，就能切断字典别名，同时保持 HDF5 元数据结构完全不变。

最小隔离

浅拷贝后再移除 Legacy 重复字段

把 `training_config = model._compile_config.config` 改为 `model._compile_config.config.copy()`，随后只从私有副本移除由 HDF5 另行处理的优化器项。新增回归先保存完整的公开 `get_compile_config()`，执行 HDF5 保存后再逐项比较，确保活跃模型的编译配置没有变化；测试分别在 Torch、TensorFlow 与 JAX 后端通过，并由覆盖率检查确认新增可执行行全部覆盖。

持久化语义

后续 Keras 恢复仍使用原优化器

HDF5 文件继续使用原有的 legacy 元数据格式，保存操作却不再改变模型内存状态；同一模型后续训练、查询编译配置或转存为 `.keras` 时，都能保留原先选择的优化器和编译语义。修复集中在 2 个文件、净增 10 行，不改变公开 API，也不把兼容旧格式的内部处理泄漏给调用者。