Keras 权重从一个模型转移到具有不同层结构的另一个模型

我有一个三层的CNN网络，在拟合模型后，权重保存在磁盘上。第二次加载权重时，但这次模型增加了一层。所以现在是四层网络。是否可以使用不同的体系结构传递模型权重？如果是，那怎么办？我正在使用keras进行开发

对我来说，它显示了一个错误：“您试图将一个包含3层的权重文件加载到一个包含4层的模型中。”

---

提前谢谢

我还没有尝试过这个方法，但应该可以使用layer.get_weights（）和layer.set_weights（weights）方法

---

有关更多信息，请参阅。

我的回答有点晚，但希望这会对某人有所帮助

我就是这样做的：

使用列表存储所有图层：

model_layers = []
model_layers.append(keras.layers.Conv2D(...))
...
model_layers.append(keras.layers.Dense(units=num_classes))
model_layers.append(keras.layers.Softmax())

定义源模型，并从列表中添加图层。从保存的文件加载权重：

model = keras.Sequential()
for layer in model_layers:
    model.add(layer)
model.compile(...)
model.load_weights(filename)

将原始列表复制到新的临时列表。清除原始列表，并向其中添加目标网络所需图层的新实例：

假设源网络中的所有层构成目标网络的初始部分，则将所有层引用从临时列表复制到

模型\u层

。如果需要，排除分类图层。如果知道各个图层的索引，也可以恢复这些图层：

for i in range(len(temp_layers) - 2):
    model_layers[i] = temp_layers[i]

按照步骤2创建新模型：

new_model = keras.Sequential()
for layer in model_layers:
    new_model.add(layer)

添加可能需要的任何附加层（如果需要，与分类层一起）：

我意识到这不是一个普遍的答案。我已经提到了我在成功实施中使用的确切步骤

---

请随意尝试不同的变体。

我们当然可以做到。我已经做了层的重量转移。我试图在没有架构差异的情况下进行模型权重转移。我想目前还没有办法通过使用模型权重来扩展架构。我们必须使用层权重进行扩展。在旧模型的基础上创建另一个模型实例怎么样？例如，new_model=model（inputs=[old_model.input]，outputs=[new_model（old_model.output）]）我尝试了同样的方法。我使用旧模型的权重和偏差创建了一个新模型，但发现每层权重的输出形状不同，无法合并新模型。例如，如果我们有3层的旧网络和4层的新网络，那么第4层将使用默认权重初始化，因为输入将不同于第4层，因此不兼容。在序列模型中，输入形状只给出一次。Rest网络自行管理。或者使用功能API：

x=old_model.output x=densite（1024，activation='relu'）（x）#附加层model=model（inputs=old_model.input，outputs=x）

将其保存为新的模型扩展模型，可以单独使用。来自keras文档：model.load\u weights（filepath，by_name=False）从HDF5文件（由save_weights创建）加载模型的权重。默认情况下，体系结构应保持不变。若要将权重加载到不同的体系结构（与某些层共用），请使用by_name=True仅加载具有相同名称的层。

for i in range(len(temp_layers) - 2):
    model_layers[i] = temp_layers[i]

new_model = keras.Sequential()
for layer in model_layers:
    new_model.add(layer)

new_model.add(...)
new_model.add(keras.layers.Dense(units=num_classes))
new_model.add(keras.layers.Softmax())
new_model.compile(...)