从tf.keras.applications向模型添加正则化程序时，无法保存模型

是由于使用了预训练模型的权重，在加载模型时，如果没有预训练模型的权重文件，会导致无法正常加载模型的问题。

解决这个问题的方法是，使用tf.keras.applications模块中的模型时，可以设置参数weights=None，这样在加载模型时不会使用预训练模型的权重。然后，可以手动设置正则化程序，例如使用tf.keras.regularizers模块中的正则化方法来添加正则化约束。最后，保存模型时可以使用model.save()函数保存模型的结构和权重。

举例来说，如果使用tf.keras.applications模块中的ResNet50模型，并向模型添加L2正则化约束，可以按照以下步骤操作：

import tensorflow as tf
from tensorflow.keras.applications import ResNet50
from tensorflow.keras import regularizers

# 加载ResNet50模型
base_model = ResNet50(weights=None, include_top=False, input_shape=(224, 224, 3))

# 添加L2正则化约束
regularizer = regularizers.l2(0.01)
for layer in base_model.layers:
    for attr in ['kernel_regularizer']:
        if hasattr(layer, attr):
            setattr(layer, attr, regularizer)

# 保存模型
base_model.save('resnet50_model.h5')

在上述示例中，我们使用ResNet50模型作为基础模型，并设置weights=None参数来避免加载预训练模型的权重。然后，我们使用regularizers.l2(0.01)方法创建一个L2正则化程序，并将其设置为每个卷积层的kernel_regularizer属性。最后，使用base_model.save()函数将模型保存到文件"resnet50_model.h5"中。

请注意，腾讯云相关产品和产品介绍链接地址的具体内容可以根据实际情况和需求进行选择，例如可以根据需要使用腾讯云的云服务器、云存储、人工智能服务等产品。