J'ai donc essayé le lien au-dessus duquel vous avez mentionné la machine enseignable
Il s'avère que le modèle que vous avez exporté provient de tensorflow.keras et non directement depuis keras API. Ces deux sont différents. Ainsi, lors du chargement, il peut utiliser tf.ragged des tenseurs qui pourraient ne pas être compatibles avec l'API keras.
Solution à votre problème :
N'importez pas de keras directement car votre modèle est enregistré avec l'API de haut niveau keras de Tensorflow. Remplacez toutes vos importations par tensorflow.keras
Modifier :
from keras.preprocessing.image import img_to_array
from keras.models import load_model
à ceci :
from tensorflow.keras.preprocessing.image import img_to_array
from tensorflow.keras.models import load_model
Cela résoudra votre problème.
MODIF :
Toutes vos importations doivent provenir de Keras ou tensorflow.keras . Bien qu'il s'agisse de la même API, peu de choses sont différentes, ce qui crée ce genre de problèmes. Aussi pour tensorflow backend tf.keras est préférable, car Keras 2.3.0 est la dernière version majeure qui prendra en charge les backends autres que tensorflow.
Cette version synchronise l'API avec l'API tf.keras à partir de TensorFlow 2.0. Cependant, notez qu'il ne prend pas en charge la plupart des fonctionnalités de TensorFlow 2.0, en particulier l'exécution rapide. Si vous avez besoin de ces fonctionnalités, utilisez tf.keras. Il s'agit également de la dernière version majeure de Keras multi-backend. À l'avenir, nous recommandons aux utilisateurs d'envisager de remplacer leur code Keras par tf.keras dans TensorFlow 2.0.
