TensorFlow Federated联邦重建模型及权重提取保存问题咨询

TFF中的ModelWeights是框架自定义的权重结构，并非原生TensorFlow/Keras的模型或权重对象，所以直接调用save()或save_weights()会触发属性错误。要将其用于普通DNN/Sequential模型，需要先把TFF权重转换为原生TF可识别的格式，再赋值给对应结构的Keras模型，最后保存。

具体步骤： #

1. 提取TFF模型权重的原生数值
   从训练后的server_state（教程中联邦训练结束后的服务端状态）中取出权重，将每个层的权重转换为numpy数组：

   # 假设server_state是联邦训练完成后的服务端状态
   tff_weights = server_state.model_weights
   
   # 提取用户嵌入和物品嵌入的权重（对应教程中的矩阵分解模型结构）
   user_emb_weights = tff_weights.user_embedding.embeddings.numpy()
   item_emb_weights = tff_weights.item_embedding.embeddings.numpy()
   

2. 构建与TFF模型结构一致的Keras模型
   按照教程中矩阵分解模型的结构，创建原生Keras模型：

   import tensorflow as tf
   
   def build_keras_recommender(user_count, item_count, embedding_dim):
       user_input = tf.keras.layers.Input(shape=(1,), name='user_input')
       item_input = tf.keras.layers.Input(shape=(1,), name='item_input')
       
       # 嵌入层要和TFF模型的维度完全匹配
       user_emb = tf.keras.layers.Embedding(
           user_count, embedding_dim, name='user_embedding'
       )(user_input)
       item_emb = tf.keras.layers.Embedding(
           item_count, embedding_dim, name='item_embedding'
       )(item_input)
       
       # 计算点积作为推荐得分
       dot_product = tf.keras.layers.Dot(axes=2)([user_emb, item_emb])
       output = tf.keras.layers.Flatten()(dot_product)
       
       return tf.keras.Model(inputs=[user_input, item_input], outputs=output)
   
   # 替换为教程中实际的用户数、物品数、嵌入维度
   keras_model = build_keras_recommender(
       user_count=1000,
       item_count=500,
       embedding_dim=64
   )
   

3. 赋值权重并保存
   将提取的权重赋值给Keras模型的对应层，然后保存模型或权重：

   # 给嵌入层设置权重
   keras_model.get_layer('user_embedding').set_weights([user_emb_weights])
   keras_model.get_layer('item_embedding').set_weights([item_emb_weights])
   
   # 保存完整模型
   keras_model.save('federated_recommender_model.h5')
   
   # 或仅保存权重
   keras_model.save_weights('federated_recommender_weights.h5')
   

关键说明： #

• 必须保证Keras模型的结构（层数、维度、层类型）和TFF教程中的模型完全一致，否则权重无法匹配。
• 若模型包含更多层（如DNN的全连接层），只需按相同方式提取对应层的权重（如tff_weights.dense_layer.kernel.numpy()）并赋值给Keras模型的对应层即可。

内容的提问来源于stack exchange，提问作者IkkaSenjika615