keras中模型权重和优化器权重之间的差异

keras中模型权重和优化器权重之间的区别是什么。运行以下代码后，

model.summary

显示总共9个参数，显示在

1.h5

文件中的model\u weight中。但optimizer_权重显示总共18个参数。我只用了1个纪元。代码如下：

from __future__ import print_function
import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras import backend as K
import numpy as np
from sklearn.model_selection import train_test_split
import tensorflow as tf
batch_size = 128
num_classes = 2
epochs = 1

# input image dimensions
img_rows, img_cols = 28, 28
(x_train, y_train), (x_test, y_test) = mnist.load_data()

#Redistributing data for only two classes
x1_train=x_train[y_train==0]; y1_train=y_train[y_train==0]
x1_test=x_test[y_test==0];y1_test=y_test[y_test==0]
x2_train=x_train[y_train==1];y2_train=y_train[y_train==1]
x2_test=x_test[y_test==1];y2_test=y_test[y_test==1]
X=np.concatenate((x1_train,x2_train,x1_test,x2_test),axis=0)
Y=np.concatenate((y1_train,y2_train,y1_test,y2_test),axis=0)
# the data, shuffled and split between train and test sets
x_train, x_test, y_train, y_test = train_test_split(X,Y)

if K.image_data_format() == 'channels_first':
    x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols)
    x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols)
    input_shape = (1, img_rows, img_cols)
else:
    x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)
    x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)
    input_shape = (img_rows, img_cols, 1)

x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
print('x_train shape:', x_train.shape)
print(x_train.shape[0], 'train samples')
print(x_test.shape[0], 'test samples')

# convert class vectors to binary class matrices
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

model = Sequential()
model.add(Conv2D(1, kernel_size=(2, 2),
                 activation='relu',
                 input_shape=input_shape))
model.add(MaxPooling2D(pool_size=(16,16)))
model.add(Flatten())
model.add(Dense(num_classes, activation='softmax'))
model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])
model.fit(x_train, y_train,
          batch_size=batch_size,
          epochs=epochs,
          verbose=1,
          validation_data=(x_test, y_test))
model.summary()
model.save('1.h5')

---

模型权重是作用于实际数据的权重。 它们会影响产量

仅一个模型（没有优化器）就足以获取输入并生成（预测）输出。模型的权重越高，输出越好

训练模型的全部目的是调整其权重，以便能够做出良好的预测

另一方面，优化器对数据和预测没有影响。
优化器的作用是决定如何在训练期间更改模型的权重。我纯粹是为了训练。优化器获取渐变并决定如何将这些渐变应用于模型。（考虑学习速度、动力等）

---

优化器权重只是改进模型权重调整的助手。一旦你认为你的模型做得很好，你就可以把优化器扔掉。p> 但在上面的例子中，为什么模型权重是9，而优化器权重是18。（我使用的是epoch=1）。假设我没有使用基于梯度的优化器（使用基于群的），那么我需要更新哪个权重，模型权重还是优化器权重？我不知道群优化器是如何工作的。。。但我认为它考虑到了它自身的重量。。。你可以尝试增加你的模型，看看优化器的权重会发生什么。我理解。唯一的困惑是，为什么模型权重和优化器权重的参数没有不同（例如上面的示例9和18，我从model.save获得），为什么它们应该相等？？看起来这个优化器每个模型的重量有2个。（但请检查此信息）。从keras文档中，我认为9个参数表示损失，9个参数表示优化器。第69行