我有一个Keras模型，其中包含Embedding、LSTM和Dropout层，以及keras_contrib中的CRF实现。
我试图恢复一个部分训练过的模型的训练，其权重我之前已经保存。然而，当我尝试通过keras_contrib的save_load_utils.load_all_weights加载之前训练过的模型时，我收到了以下错误。
第108行，在load_all_weights中:
model.optimizer.set_weights(optimizer_weight_values)
第113行，在set_weights中:
‘of the optimizer (‘ + str(len(params)) + ‘)’)
ValueError: 指定的权重列表长度（36）与优化器的权重数量（0）不匹配model.optimizer.set_weights(optimizer_weight_values)
显然，优化器权重的列表长度为0。在keras的optimizers.py实现中提到，set_weights“应该只在计算梯度后调用（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，以便我试图加载的模型权重可以覆盖它们。我考虑过用一个大小为1的虚拟批次训练模型一个周期，但还有没有其他更优雅的方法来实现这一点？
完整代码在Github上，但下面是我训练的模型，以提供一个简短的参考。
# 初始化vocab_size & embedding_weights# 初始化C, U, N, M, Hmodel = 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])回答：
我最终采取的措施几乎与我在问题中提到的一样。
我创建了一个小的虚拟训练和验证集，并训练模型一个周期，以便网络权重被初始化。然后我只需加载之前会话的权重并继续训练，使用keras_contrib.utils.save_load_utils中的load_all_weights。下面的代码示例大致描述了我使用的方法。
# 初始化real_training_set为包含(input, expected_result)的2元组if load_model_file is not None: # 初始化dummy_training_set为包含(input, expected_result)的2元组 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Github上查看实际代码。
