Python 如何从我意外更改的keras.layers恢复core.py文件

Python 如何从我意外更改的keras.layers恢复core.py文件,python,keras,spyder,Python,Keras,Spyder,我在Spyder中使用keras,无意中更改了core.py文件并编译了它。当然,出现了一些错误。然后我撤销了更改,但由于一些奇怪的原因,我使用该文件的实际代码出现了以下错误 File "<ipython-input-18-18c6a7ab4e93>", line 1, in <module> runfile('F:/Python Codes/HFE/HCM_LSTM_LDA_1.py', wdir='F:/Python Codes/HFE') File "e:\Pro

我在Spyder中使用keras,无意中更改了core.py文件并编译了它。当然,出现了一些错误。然后我撤销了更改,但由于一些奇怪的原因,我使用该文件的实际代码出现了以下错误

File "<ipython-input-18-18c6a7ab4e93>", line 1, in <module>
runfile('F:/Python Codes/HFE/HCM_LSTM_LDA_1.py', wdir='F:/Python Codes/HFE')

File "e:\ProgramData\Anaconda3\lib\site- 
packages\spyder_kernels\customize\spydercustomize.py", line 668, in runfile
execfile(filename, namespace)

File "e:\ProgramData\Anaconda3\lib\site- 
packages\spyder_kernels\customize\spydercustomize.py", line 108, in execfile
exec(compile(f.read(), filename, 'exec'), namespace)

File "F:/Python Codes/HFE/HCM_LSTM_LDA_1.py", line 195, in <module>
classifier.add(Dense(1))

File "e:\ProgramData\Anaconda3\lib\site- 
packages\keras\legacy\interfaces.py", line 91, in wrapper
return func(*args, **kwargs)

File "e:\ProgramData\Anaconda3\lib\site-packages\keras\layers\core.py", line 
844, in __init__
super(Dense, self).__init__(**kwargs)

TypeError: super(type, obj): obj must be an instance or subtype of type

我撤销了对core.py文件所做的更改,但我想解决这个问题,而不必卸载和重新安装所有内容

因此,在我将core.py文件的代码替换为github.com/keras-team/keras/blob/master/keras/layers/core.py中的代码后,它一开始不起作用,但后来我重申了spyder,它起作用了。

我可以如果有人想查看,请显示core.py文件…我也尝试过从中替换core.py文件的代码,但仍然没有运气,并且出现了相同的错误
#...
from keras.layers import Dropout
#...
classifier = Sequential()
classifier.add(LSTM(units = 100, activation = 'relu'))
classifier.add(Dense(1))
classifier.add(Dropout(0.0001));                                                                        
classifier.add(Dense(1))                                                                                 
classifier.compile(optimizer = 'Nadam', loss ='mean_absolute_percentage_error', metrics = ['accuracy']) 
classifier.fit(Feature_train, Label_train, epochs=100, batch_size=168, 
verbose=2)                         #Fit classifier
RNN_Predict=classifier.predict(Feature_test)