Python TensorFlow 2.x:使用嵌入列时无法加载h5格式的训练模型（ValueError:形状（101,15）和（57218,15）不兼容）
经过长时间的反复，我设法保存了我的模型（见我的问题）。但是现在我在加载保存的模型时遇到问题。首先，我通过加载模型得到以下错误：Python TensorFlow 2.x:使用嵌入列时无法加载h5格式的训练模型（ValueError:形状（101,15）和（57218,15）不兼容）,python,tensorflow,machine-learning,keras,h5py,Python,Tensorflow,Machine Learning,Keras,H5py,经过长时间的反复，我设法保存了我的模型（见我的问题）。但是现在我在加载保存的模型时遇到问题。首先，我通过加载模型得到以下错误： ValueError: You are trying to load a weight file containing 1 layers into a model with 0 layers. 将顺序API更改为函数API后，我得到以下错误： ValueError: Cannot assign to variable dense_features/NAME1W1_em
ValueError: You are trying to load a weight file containing 1 layers into a model with 0 layers.
ValueError: Cannot assign to variable dense_features/NAME1W1_embedding/embedding_weights:0 due to variable shape (101, 15) and value shape (57218, 15) are incompatible
ValueError: Shapes (101, 15) and (57218, 15) are incompatible.
def\uuu加载模型（args）：
filepath=args.loadModel
model=tf.keras.models.load\u模型（文件路径）
打印（“开始预处理…”）
（u，u，test_ds）=预处理.getPrepreprocessedDataset（args.data，args.batchSize）
打印（“预处理完成”）
_，准确度=模型。评估（测试）
打印（“准确度”，准确度）
def__列车模型（参数）：
（train_ds，val_ds，test_ds）=预处理.getPrepreprocessedDataset（args.data，args.batchSize）
对于args.bucketSizeGEO中的bucketSizeGEO：
打印（“开始预处理…”）
feature_columns=preprocessing.getFutureColumns（args.data、args.zip、bucketsizego、True）
#Todo:将可培训=False与可培训=True进行比较
特征层=tf.keras.layers.DenseFeatures（特征列，可训练=假）
打印（“预处理完成”）
feature\u layer\u inputs=预处理。getFeatureLayerInputs（）
特征层输出=特征层（特征层输入）
输出层=tf.keras.layers.density（1，激活层=tf.nn.sigmoid）（特征层输出）
model=tf.keras.model（输入=[v表示特征层中的v\u输入值（）]，输出=输出层）
model.compile（优化器='sgd'，
损失='binary\u交叉熵'，
指标=[‘准确度’]）
paramString=“Arg-e{}-b{}-z{}”。格式（args.epoch、args.batchSize、bucketSizeGEO）
log_dir=“logs\\logR\\”+paramString+datetime.datetime.now（）.strftime（“%Y%m%d-%H%m%S”）
tensorboard\u callback=tf.keras.callbacks.tensorboard（log\u dir=log\u dir，直方图\u freq=1）
模型安装（列车），
验证数据=val\U ds，
epochs=args.epoch，
回调=[tensorboard_回调]）
model.summary（）
损失，精度=模型评估（测试）
打印（“准确度”，准确度）
paramString=paramString+“-a{.4f}”。格式（精度）
outputName=“logReg”+datetime.datetime.now（）.strftime（“%Y%m%d-%H%m%S”）+paramString
如果args.saveModel：
对于枚举中的i，w（模型权重）：打印（i，w.name）
路径='./已保存的_模型/'+outputName+'.h5'
model.save（路径，save_format='h5'）
0 dense_features/NAME1W1_embedding/embedding_weights:0
1 dense_features/NAME1W2_embedding/embedding_weights:0
2 dense_features/STREETW_embedding/embedding_weights:0
3 dense_features/ZIP_embedding/embedding_weights:0
4 dense/kernel:0
5 dense/bias:0
我的英语很差，所以我用中文回答你的问题 以英文答覆如下： 这是由于训练和预测中矩阵维数不一致造成的 通常，在使用嵌入矩阵之前，我们会形成一个字典。这里我们暂时称这个字典词为_index。如果代码的作者考虑不周，它会导致在训练和预测中出现两个不同的词_index（因为训练和预测中使用的数据不同），矩阵的维数会发生变化 您可以从您的bug中看到，当您的训练为57218时，您得到len（单词索引）+1，而len（单词索引）+1是在预测为101时得到的
如果我们想正确运行代码，当我们需要使用单词索引的预测时，我们不能在预测期间重新生成单词索引。因此，这个问题最简单的解决方案是保存训练时得到的单词索引，它在预测时被调用，这样我们就可以正确地加载训练时得到的权重。我能够解决我相当愚蠢的错误： 我正在使用feature_列库对数据进行预处理。不幸的是，我在函数category_column_with_identity中的参数num_bucket中指定了词汇表列表的固定大小，而不是实际大小。 错误版本：
street\u voc=tf.feature\u column.categorical\u column\u带有标识(
key='STREETW'，num_bucket=100）
street\u voc=tf.feature\u column.categorical\u column\u带有标识(
key='STREETW'，num_bucket=\uu getNumberOfWords（数据'STREETPRO'）+1）
函数
\uu getNumberOfWords（数据，'STREETPRO'）