这不是一个bug，这是一个功能。
这个错误让你知道TF无法保存你的模型，因为它将无法加载它。
具体来说，它将无法重新示例化您的自定义Layer类：encoder和decoder。

**要解决这个问题，只需根据您添加的新参数覆盖他们的get_config**方法。

层配置是包含层配置的Python字典（可序列化）。相同的层可以稍后从该配置中恢复（没有其训练的权重）。
例如，如果你的encoder类看起来像这样：

class encoder(tf.keras.layers.Layer):

    def __init__(
        self,
        vocab_size, num_layers, units, d_model, num_heads, dropout,
        **kwargs,
    ):
        super().__init__(**kwargs)
        self.vocab_size = vocab_size
        self.num_layers = num_layers
        self.units = units
        self.d_model = d_model
        self.num_heads = num_heads
        self.dropout = dropout

    # Other methods etc.

字符串
那么你只需要覆盖这个方法：

def get_config(self):

        config = super().get_config().copy()
        config.update({
            'vocab_size': self.vocab_size,
            'num_layers': self.num_layers,
            'units': self.units,
            'd_model': self.d_model,
            'num_heads': self.num_heads,
            'dropout': self.dropout,
        })
        return config

型
当TF看到这一点时（对于两个类），您将能够保存模型。
因为现在当模型被加载时，TF将能够从config重新示例化相同的层。

**Layer.from_config**的源代码可以更好地了解它的工作原理：

@classmethod
def from_config(cls, config):
  return cls(**config)

型

此问题是由keras和tf.keras库之间的混合导入引起的，这是不受支持的。
到处使用tf.keras.models或usrkeras.models
你不应该在这些库之间混合导入，因为这样做将不起作用，并产生各种奇怪的错误消息。这些错误随着keras和tensorflow的版本而变化。

我建议您尝试以下操作：

model = tf.keras.Model(...)
model.save_weights("some_path")
...
model.load_weights("some_path")

字符串

我认为简单的解决方案是为gpu安装tensorflow==2.4.2 tensorflow-gpu==2.4.2，我面对这个问题并调试了一整天，但没有解决。最后我安装了较旧的稳定版本，错误消失了

添加 * 保存_format='tf'* 参数为我解决了这个问题：

model.save(MODEL_PATH, save_format='tf')

字符串

我们有两种模型保存格式：
Tensorflow SavedModel或HDF 5
1/SavedModel保存执行图。因此，SavedModels能够保存自定义对象，如子类模型和自定义层，而不需要原始代码。如果您只提供已保存模型的名称，例如model.save（'my_model'），则保存的模型格式将默认为TF savedmodel。
2/要以HDF 5格式保存自定义对象：
你的对象中有get_config方法，也可以有from_config类方法等（参见文档）如果你提供了H5文件扩展名，例如model.save（'my_model.h5'），则保存的模型格式将为HDF 5。
我使用了第一种方法（保存的模型格式），它与我一起工作，没有错误