添加序列化配置后，加载自定义Keras机器翻译模型仍报TypeError

你的错误根源在于**get_config()方法返回的配置包含了__init__函数未定义的参数**。当Keras加载模型时，会默认将get_config()返回的所有键值对作为关键字参数传递给模型类的__init__方法，但你的__init__只接受input_vocabulary_size、output_vocabulary_size、embedding_size、units_lstm这四个参数，并不认识encoder_embedding、encoder等额外参数，因此抛出Keyword argument not understood错误。

错误的核心问题 #

你在get_config()中错误地将模型的子层（如encoder_embedding、encoder）加入了配置字典，但Keras会自动处理子层的序列化与反序列化，不需要手动将这些层对象加入配置。你只需要在get_config()中返回__init__方法需要的初始化参数即可。

修正后的代码 #

修改get_config()方法，只保留__init__签名中的参数：

@keras.saving.register_keras_serializable()
class BidirectionalEncoderandDecoderWithAttention(keras.Model):
  def __init__(
      self,
      input_vocabulary_size = 5000,
      output_vocabulary_size=5000,
      embedding_size = 256,
      units_lstm =512,
      **kwargs):
    super().__init__(**kwargs)
    self.input_vocabulary_size = input_vocabulary_size
    self.output_vocabulary_size = output_vocabulary_size
    self.embedding_size = embedding_size
    self.units_lstm = units_lstm
    self.encoder_embedding = Embedding(self.input_vocabulary_size,self.embedding_size,mask_zero = True)
    self.encoder = Bidirectional(LSTM(self.units_lstm//2,return_sequences = True,return_state = True))
    self.decoder_embedding = Embedding(self.output_vocabulary_size,self.embedding_size,mask_zero = True)
    self.decoder = LSTM(self.units_lstm,return_sequences = True)
    self.attention = Attention()
    self.output_layer = Dense(self.output_vocabulary_size,activation = 'softmax')
  
  def call(self,inputs):
      encoder_inputs,decoder_inputs = inputs
      encoder_embeddings = self.encoder_embedding(encoder_inputs)
      decoder_embeddings = self.decoder_embedding(decoder_inputs)

      encoder_op,*encoder_state = self.encoder(encoder_embeddings)
      encoder_state = [
            tf.concat(encoder_state[0::2], axis=-1),
            tf.concat(encoder_state[1::2], axis=-1),
        ]
      decoder_op = self.decoder(decoder_embeddings,initial_state = encoder_state)
      attention_output = self.attention([decoder_op,encoder_op])
      output = self.output_layer(attention_output)
      return output
  
  def get_config(self):
        config = super().get_config()
        config.update ({
            'input_vocabulary_size': self.input_vocabulary_size,
            'output_vocabulary_size': self.output_vocabulary_size,
            'embedding_size': self.embedding_size,
            'units_lstm': self.units_lstm
        })
        return config

加载模型的正确方式 #

因为你已经添加了@keras.saving.register_keras_serializable()装饰器，加载时可以直接使用：

my_model_2 = keras.models.load_model("/content/tf.keras")

如果装饰器在某些环境中未生效，再传入custom_objects：

my_model_2 = keras.models.load_model(
    "/content/tf.keras",
    custom_objects={'BidirectionalEncoderandDecoderWithAttention': BidirectionalEncoderandDecoderWithAttention}
)

为什么这样能解决问题 #

Keras的模型序列化机制中：

1. get_config()只需要返回初始化模型所需的参数，也就是__init__方法中定义的参数（除了**kwargs）。
2. 模型的子层（如Embedding、LSTM等）会被Keras自动递归序列化，不需要手动加入配置字典。
3. 加载时，Keras会先通过get_config()返回的参数创建模型实例，再自动恢复子层的权重和配置。

内容的提问来源于stack exchange，提问作者user8916969