保存含自定义WeightedSum层的Keras复合模型报NoneType错误如何解决

• 报错核心原因是自定义WeightedSum层中，你将add_weight生成的可训练权重存储在普通Python列表self.ensemble_weights中，Keras的模型序列化机制无法追踪普通列表内的变量，导致序列化时读取变量属性失败抛出类型错误。
• 额外冗余问题：self.output_init变量完全不需要提前定义，直接在call方法中初始化输出张量即可，validate_shape=False的参数也会干扰序列化逻辑。
• 缺失序列化必要方法：自定义Keras层必须实现get_config方法，才能在保存/加载时正确传递初始化参数。

import tensorflow.keras as krs
import tensorflow as tf

class WeightedSum(krs.layers.Layer):
    def __init__(self, n_models=2, name='weighted_sum_0'):
        super(WeightedSum, self).__init__(name=name)
        self.n_models = n_models

    def build(self, input_shape):
        # 直接定义形状为(n_models,)的权重张量，无需循环添加+列表存储
        self.ensemble_weights = self.add_weight(
            shape=(self.n_models,),
            initializer='ones',
            trainable=True
        )
        super().build(input_shape)

    def call(self, inputs):
        # 输入是长度为n_models的张量列表，堆叠后乘权重再求和归一化
        input_stack = tf.stack(inputs, axis=-1)
        weighted_sum = tf.reduce_sum(input_stack * self.ensemble_weights, axis=-1)
        normalizer = tf.reduce_sum(self.ensemble_weights)
        return weighted_sum / normalizer

    # 实现get_config方法用于序列化参数传递
    def get_config(self):
        config = super().get_config()
        config.update({
            "n_models": self.n_models
        })
        return config

如果你坚持保留原有循环添加多个独立权重的写法，只需要把__init__中的普通列表self.ensemble_weights = []替换为可追踪列表self.ensemble_weights = krs.utils.TrackableList()即可，Keras会自动识别列表内的可训练变量。

• 保存模型不需要修改原有代码，仍使用krs.models.save_model(linked_model,"test_failed_save.mdl")即可
• 加载模型时需要通过custom_objects参数指定自定义层：

linked_model = krs.models.load_model("test_failed_save.mdl", custom_objects={"WeightedSum": WeightedSum})

内容的提问来源于stack exchange，提问作者Ender