Colab加载Keras LSTM模型修改units参数出现AttributeError如何解决

Keras中LSTM层的units是只读属性，模型加载完成后，层的核心结构参数（比如循环层的单元数、卷积层的卷积核数量这类直接影响权重形状的参数）被封装成了只读@property，不能直接修改。你之前可以正常修改的是不影响权重维度的超参数（比如Dropout层的rate、激活函数类型这类），所以不会触发报错。

你原本的直接修改.units属性再转JSON生成新模型的思路行不通，因为只读属性的修改不会生效，就算你强制赋值，JSON序列化时读取的还是层内部存储的原始结构参数，不会识别你额外赋值的属性。

根据你是否需要保留原有LSTM层的预训练权重，分为两种处理方式：

场景1：不需要保留原有LSTM层的预训练权重，直接重构模型 #

直接复用原有模型除LSTM层外的结构和权重，手动替换LSTM层即可，代码示例：

import keras
from keras.models import Sequential
from keras.layers import LSTM

# 加载原有模型
model = keras.models.load_model('model.h5')
new_units = 100

# 构建新模型
new_model = Sequential()
# 复用前两层（Embedding、Dropout）的结构和权重
for layer in model.layers[:2]:
    new_model.add(layer)
# 加入新的LSTM层，units设置为目标数值
new_model.add(LSTM(units=new_units))
# 复用后面两层（Dropout、Dense）的结构和权重
for layer in model.layers[3:]:
    new_model.add(layer)

# 编译后即可使用
new_model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
new_model.summary()

场景2：调整LSTM单元数的同时尽可能复用原有权重 #

改units会导致LSTM层权重的形状发生变化，你可以手动适配权重形状，保留原有单元的权重，新增单元的权重可以用初始值或者补零，代码示例：

# 加载原有模型
model = keras.models.load_model('model.h5')
old_lstm = model.layers[2]
new_units = 100

# 新建和原LSTM层参数一致、仅units不同的新层
new_lstm = LSTM(units=new_units, return_sequences=old_lstm.return_sequences, return_state=old_lstm.return_state)
# 先build新层拿到权重占位
new_lstm.build(input_shape=old_lstm.input_shape)

# 适配权重：保留原有单元的权重，新增单元保留初始值
old_weights = old_lstm.get_weights()
new_weights = new_lstm.get_weights()
for i in range(len(old_weights)):
    slice_len = min(old_weights[i].shape[-1], new_weights[i].shape[-1])
    new_weights[i][..., :slice_len] = old_weights[i][..., :slice_len]
new_lstm.set_weights(new_weights)

# 替换原有模型的LSTM层
new_model = Sequential()
for layer in model.layers[:2]:
    new_model.add(layer)
new_model.add(new_lstm)
for layer in model.layers[3:]:
    new_model.add(layer)

new_model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

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