在Streamlit加载Colab训练的LSTM模型时遇初始化器识别错误

错误核心原因 #

Colab与本地环境的Keras/TensorFlow版本不匹配，导致模型序列化的初始化器（如Orthogonal）格式无法被本地版本解析。Colab通常使用较新的Keras 3.x版本，而本地环境可能是旧版TensorFlow集成的Keras，或版本差异过大，引发反序列化失败。

可行解决方案 #

1. 统一Colab与本地的版本 #

• 在Colab训练前，先安装与本地一致的TensorFlow版本（例如本地用2.15.0）：

  !pip install tensorflow==2.15.0
  

• 本地环境同步安装对应版本：

  pip install tensorflow==2.15.0
  

  注意：确保主版本完全一致，避免小版本差异引发的序列化问题。

2. 改用H5格式保存模型（兼容旧版本） #

若无法统一版本，在Colab用H5格式保存模型，旧版TensorFlow对该格式兼容性更好：

# 替换原保存代码
model.save('LSTM_model.h5', save_format='h5')

本地加载时：

from tensorflow.keras.models import load_model
model = load_model('LSTM_model.h5')

3. 训练时显式指定初始化器 #

训练模型时显式定义初始化器，避免依赖默认值的版本差异：

from keras.layers import Dense, Dropout, LSTM
from keras.models import Sequential
from keras.initializers import Orthogonal

model = Sequential()
# 每个LSTM层显式指定递归初始化器
model.add(LSTM(units=50, activation='relu', return_sequences=True, 
               input_shape=(x_train.shape[1], 1),
               recurrent_initializer=Orthogonal(gain=1.0, seed=None)))
model.add(Dropout(0.2))

model.add(LSTM(units=60, activation='relu', return_sequences=True,
               recurrent_initializer=Orthogonal(gain=1.0, seed=None)))
model.add(Dropout(0.3))

# 后续LSTM层同理重复显式指定初始化器...

model.add(Dense(units=1))

model.compile(optimizer='adam', loss='mean_squared_error')
model.fit(x_train, y_train, epochs=100)
model.save('LSTM_model.keras')

4. 本地升级到Keras 3.x版本 #

若本地环境允许，直接升级到与Colab一致的新版本：

pip install --upgrade keras tensorflow

升级后再加载.keras格式模型，可直接解决序列化格式不兼容问题。

内容的提问来源于stack exchange，提问作者Sanniddha