使用Keras设置初始模型权重时，模型不会在后续训练调用中更新 .
使用MNIST数据的示例:(初始权重在示例中是随机的，但将在未来的迭代中传递，因此使用随机内核不是一个选项）
W1 = np.random.rand(784, n_nodes)
b1 = np.random.rand(n_nodes,)
W2 = np.random.rand(n_nodes, 10)
b2 = np.random.rand(10,)
model = Sequential()
model.add(Dense(n_nodes, input_dim=784, activation='relu', weights=[W1,b1]))
model.add(Dense(10, activation='softmax', weights = [W2, b2]))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
for batch in batch_sets:
model.train_on_batch(batch[0], batch[1])
我在每次迭代中通过 get_weights() 检查 b1 参数，并且可以看到没有从原始随机 b1 进行更新 .
我也尝试使用 set_weights 以及自定义内核（和偏向）初始化程序，并遇到同样的问题 . 当内核初始化程序设置为1或0时，也会发生同样的无更新问题，但是当使用随机内核初始化程序时，行为与预期一样（也称为适当更新） .
是否有其他方法可以设置初始权重，以便在后续模型培训调用中更新它们？
1 回答
weights=参数正在替换通常放在Layer的.weights属性中的内容，这些属性是TensorFlow变量 . 用numpy数组替换变量意味着它们在TensorFlow图中被嵌入为常量，这意味着优化器会忽略它们（它们是常量！） .相反，您可以将numpy数组作为内核的初始值设定项和偏差传递：
Dense(kernel_initializer=w1, bias_initializer=b1, ...