我正在尝试获取给定网络的初始权重。
这个线程建议需要指定输入维度： 如何查看初始化的权重（即训练前）？
这个线程建议在编译后权重应该可用： 在 Keras 层中重置权重
在编译模型后但在训练之前保存初始权重。
虽然我复制了第一个帖子的结果，但我无法将其应用到我的情况：
import numpy as npfrom keras.models import Sequentialfrom keras.layers import Denseimport tensorflow as tf# 复制 https://stackoverflow.com/questions/46798708/how-to-view-initialized-weights-i-e-before-training# 没有 input_dim 的第一个模型打印一个空列表model = Sequential()model.add(Dense(5, weights=[np.ones((3, 5)), np.zeros(5)], activation='relu'))print(model.get_weights())# 第二个模型带有 input_dim 打印分配的权重model1 = Sequential()model1.add(Dense(5, weights=[np.ones((3, 5)), np.zeros(5)], input_dim=3, activation='relu'))model1.add(Dense(1, activation='sigmoid'))print(model1.get_weights())class Test(tf.keras.Model): def __init__(self, n_inputs: int, neurons=10): super(Test, self).__init__(name="Test") self.neurons = neurons # 初始化器 mean, std = 0., 0.0005 bias_normalization = None kernel_initializer = tf.keras.initializers.RandomNormal(mean=mean, stddev=std) self.h1 = Dense(n_inputs, activation="linear", name="h1", kernel_initializer=kernel_initializer, bias_initializer=bias_normalization, input_dim=n_inputs) def call(self, inputs): x = self.h1(inputs) return x# 模型测试test = Test(n_inputs=1, neurons=100)test.get_weights() # 空的，预期test.compile()test.get_weights() # 空的，非预期回答：
在你的情况下，我认为这完全取决于 tf.keras.Model 的 call 方法何时被实际调用。此外，Keras 顺序模型和子类化模型的行为不同。
你的模型的权重只有在你传递真实数据或显式调用 build(*) 时才会被创建。例如，如果你尝试以下操作，你将得到一些权重的输出：
test_model = Test(n_inputs=1, neurons=100)test_model(np.random.random((32, 1)))print(test_model.get_weights())# [array([[0.00057544]]), array([0.3752869])]或者
test_model.build(input_shape=(32, 1))print(test_model.get_weights())# [array([[8.942684e-05]], dtype=float32), array([-1.6799461], dtype=float32)]基本上，call 方法在内部调用 __call__ 方法。如果你查看官方 Tensorflow 网站，你可以了解这种行为：
要在输入上调用模型，始终使用 call 方法，即 model(inputs)，它依赖于底层的 call 方法。
顺便说一下，你也可以按以下方式定义你的 Test 类：
class Test(tf.keras.Model): def __init__(self, n_inputs: int, neurons=10): super(Test, self).__init__(name="Test") self.neurons = neurons # 初始化器 mean, std = 0., 0.0005 bias_normalization = None kernel_initializer = tf.keras.initializers.RandomNormal(mean=mean, stddev=std) model_input = tf.keras.layers.Input(shape=(n_inputs,)) x= tf.keras.layers.Dense(n_inputs, activation="linear", name="h1", kernel_initializer=kernel_initializer, bias_initializer=bias_normalization)(model_input) self.model = tf.keras.Model(model_input, x) test_model = Test(n_inputs=1, neurons=100)print(test_model.get_weights())# [array([[0.00045629]], dtype=float32), array([0.9945322], dtype=float32)]