Python 为什么包装一个层会删除Keras中另一个层的内核属性？

我目前正在创建一个基于LSTM的时间序列预测网络，我想尝试使用Keras的双向包装器，看看它是否能提高我的准确性

但是，添加包装器会导致我的输出层丢失其

kernel

属性，这在优化器试图访问它时是有问题的，导致编译时崩溃

也就是说，当我这样做时：

model = Sequential()
model.add(LSTM(
    100,
    batch_input_shape=(batch_size, look_back, features),
))
model.add(Dense(1))

print(hasattr(model.layers[-1], 'kernel'))

真的

但在这样包装LSTM时：

model = Sequential()
model.add(Bidirectional(LSTM(
    100,
    batch_input_shape=(batch_size, look_back, features),
)))
model.add(Dense(1))

print(hasattr(model.layers[-1], 'kernel'))

假的

---

解决方案是让您的网络预测某些内容，然后使用您的自定义优化器进行编译：

model = Sequential()
model.add(Bidirectional(LSTM(
    100,
    batch_input_shape=(batch_size, look_back, features),
)))
model.add(Dense(1))

model.predict(np.zeros((batch_size, look_back, features)))
print(hasattr(model.layers[-1], 'kernel'))
model.compile(optimizer=CustomOptimizer(), loss='mse')

真的

---

不需要为预测而编译