自定义BahdanauAttention层时Keras load_model报W1参数错误

这个错误的根源出在你的get_config方法上——你把已经创建的子层W1、W2、V直接加入了配置字典，但Keras在加载模型时，会把这些配置键当作自定义层__init__方法的参数来传递，而你的__init__根本没有接收W1这类参数，自然就会抛出"Keyword argument not understood"的错误。

正确的做法是：get_config只需要保存创建自定义层时必须的初始化参数，也就是你的output_dim，内部的子层（比如Dense层）Keras会自动帮你序列化和加载，不需要手动处理。

修改后的BahdanauAttention层代码如下：

class BahdanauAttention(layers.Layer):
    def __init__(self, output_dim=30, **kwargs):
        super(BahdanauAttention, self).__init__(**kwargs)
        self.output_dim = output_dim  # 先把参数存为实例属性
        self.W1 = tf.keras.layers.Dense(output_dim)
        self.W2 = tf.keras.layers.Dense(output_dim)
        self.V = tf.keras.layers.Dense(1)
    
    def call(self, inputs, **kwargs):
        query = inputs[0]
        values = inputs[1]
        query_with_time_axis = tf.expand_dims(query, 1)
        score = self.V(tf.nn.tanh(
            self.W1(query_with_time_axis) + self.W2(values)))
        attention_weights = tf.nn.softmax(score, axis=1)
        context_vector = attention_weights * values
        context_vector = tf.reduce_sum(context_vector, axis=1)
        return context_vector, attention_weights
    
    def get_config(self):
        config = super(BahdanauAttention, self).get_config()
        # 只保存初始化时需要的参数，而不是子层实例
        config.update({
            'output_dim': self.output_dim,
        })
        return config

为什么这样修改就能解决问题？

• 当Keras加载模型时，会先通过get_config拿到的配置参数，调用BahdanauAttention(**config)创建层实例，这时候output_dim是__init__能识别的参数，不会报错。
• 层内部的W1、W2、V这些子层的权重会被Keras自动序列化到模型文件中，创建完层实例后，Keras会自动把这些权重加载回来，不需要你手动在get_config里处理。

之后你原来的保存和加载代码可以继续使用，不需要额外修改：

# 保存模型（原有代码不变）
path = os.path.join(self.dir, 'model_{}'.format(self.timestamp))
callbacks.append(ModelCheckpoint(path, save_best_only=True, monitor='val_loss', mode='min'))

# 加载模型（原有代码不变）
self.model = load_model(path, custom_objects={'BahdanauAttention': BahdanauAttention, 'custom_loss': self.custom_loss})

这样修改后，模型就能正常保存和加载了。

内容的提问来源于stack exchange，提问作者bcsta