Python keras_contrib-加载所有权重，由于优化器权重导致值错误

我有一个Keras模型，它具有层

嵌入

，

LSTM

，和

退出

，以及

CRF

实现

Keras\u contrib

我试图恢复训练一个我以前保存的部分训练模型重量。但是，当我尝试通过

keras\u contrib

的

save\u load\u utils.load\u all\u weights

加载以前训练过的模型时，我收到了以下错误

第108行，所有负载重量：

model.optimizer.set_权重（优化器_权重_值）

第113行，在集合权重中：

优化器的“+str（len（params））+”）

值错误：指定权重列表（36）的长度与优化器（0）模型的权重数不匹配。优化器。设置权重（优化器权重值）

显然，优化器权重列表的长度为0。其中指出，set_权重“应仅在计算梯度后调用（否则优化器没有权重）。”

我想知道如何手动初始化优化器权重，以便我尝试加载的模型权重可以覆盖它们。我曾想过用一个1号的虚拟批次为单个时代训练模型，但还有其他更优雅的方法来实现这一点吗

是在Github上，但下面是我培训的模型，以提供一个简要的参考

# Initialize vocab_size & embedding_weights
# Initialize C, U, N, M, H

model = Sequential()
embedding_layer = Embedding(vocab_size, N,
                            weights=[embedding_weights], mask_zero=True,
                            embeddings_regularizer=regularizers.l2(0.0001))
model.add(TimeDistributed(embedding_layer,
                          input_shape=(C, U)))
model.add(TimeDistributed(Bidirectional(LSTM(M // 2, return_sequences=True,
                                             kernel_regularizer=regularizers.l2(0.0001)))))
model.add(TimeDistributed(Dropout(0.2)))
model.add(TimeDistributed(GlobalMaxPooling1D()))
model.add(Bidirectional(LSTM(H // 2, return_sequences = True,
                             kernel_regularizer=regularizers.l2(0.0001))))
model.add(Dropout(0.2))
crf = CRF(num_tags, sparse_target=False, kernel_regularizer=regularizers.l2(0.0001))
model.add(crf)
model.compile(optimizer, loss = crf.loss_function, metrics=[crf.accuracy])

---

我最后所做的几乎就是我在问题中提到的

我创建了一个小的虚拟训练和验证集，并针对单个历元训练模型，以便初始化网络权重。然后，我刚刚加载了上一节课的重量，并使用

keras\u contrib.utils.save\u load\u utils

中的

load\u all\u weights

继续训练。下面的代码示例大致描述了我使用的过程

# Initialize real_training_set as a 2-tuple with (input, expected_result)
if load_model_file is not None:
    # Initialize dummy_training_set as a 2-tuple with (input, expected_result)
    model.fit_generator(batch_generator_function(dummy_training_set[0],
                                         dummy_training_set[1], ... ), epochs = 1)
    save_load_utils.load_all_weights(model, load_from_model_file)
model.fit_generator(batch_generator_function(real_training_set[0],
                                             real_training_set[1], ... ), epochs = 1)

---

您可以在上查看实际代码。

设置

在
load\u中包含\u optimizer=False
所有权重也对我有效，无需初始化为虚拟数据上的模型。