如何用同结构模型权重初始化tf.keras.Sequential模型？

首先你报错的原因很明确：set_weights()方法只接受1个参数——包含权重和偏置的列表，你传了None, None两个参数，所以触发参数数量错误。

下面是两种可靠的实现方式：

方式一：直接给整个模型加载权重（推荐） #

如果两个模型结构完全一致，直接用模型级别的get_weights()和set_weights()最省心，会自动跳过Dropout这类无训练权重的层：

# 假设你已经有训练好的同结构模型 pretrained_model
pretrained_weights = pretrained_model.get_weights()
# 给你的新模型加载权重
model.set_weights(pretrained_weights)

方式二：逐层加载权重（按需使用） #

如果需要更精细地控制层的权重加载，可以遍历层，只给有权重的层赋值（比如Dense、BatchNormalization这类层有权重，Dropout没有）：

# 遍历两个模型的对应层
for target_layer, pretrained_layer in zip(model.layers, pretrained_model.layers):
    # 获取预训练层的权重（无权重的层会返回空列表）
    layer_weights = pretrained_layer.get_weights()
    if layer_weights:  # 仅当层有权重时才设置
        target_layer.set_weights(layer_weights)

补充说明 #

• get_weights()返回的是一个numpy数组列表，比如Dense层会返回[权重矩阵, 偏置向量]，BatchNormalization层会返回4个数组（gamma、beta、moving_mean、moving_variance）
• 必须保证两个模型的层结构、输入输出维度完全一致，否则加载权重时会报错

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