如何从GridSearchCV调优出的最优Keras ANN中提取模型权重？

完全可以从现有调参流程的运行结果中直接提取最优模型的权重，不需要重跑超参数搜索流程，操作逻辑如下：

核心逻辑说明 #

你代码中已经定义了best_model = grid_search.best_estimator_，sklearn的GridSearchCV默认会在完成所有参数组合的交叉验证、定位到最优超参数组合后，自动使用全量训练集X_train、y_train重新训练对应参数的模型，这个实例已经携带了完整的训练后权重，不需要从交叉验证的单折模型中拼凑结果。

具体操作步骤 #

1. 从KerasRegressor封装实例中取出底层原生Keras模型对象
   你使用的keras.wrappers.scikit_learn.KerasRegressor会把实际训练完成的Keras Sequential模型存在自身的.model属性下，直接访问即可拿到原生模型：
   best_keras_model = best_model.model
2. 按需提取权重
   • 提取所有层的权重数组（返回值为numpy格式的列表，顺序和模型层定义顺序一致，包含每层的权重矩阵、偏置项）：
     all_weights = best_keras_model.get_weights()
   • 单独查看每一层的权重细节：

     for layer_index, layer in enumerate(best_keras_model.layers):
         # 打印每层的权重、偏置项形状
         print(f"第{layer_index}层权重形状：{[w.shape for w in layer.get_weights()]}")
     

   • 完整保存模型（包含网络结构、权重、编译配置）到本地，后续可直接加载使用：
     best_keras_model.save("optimal_ann.h5")

常见注意点 #

• 如果你初始化GridSearchCV时手动设置了refit=False，best_estimator_不会自动触发全量训练，自然不存在可提取的权重；你当前的代码使用默认参数，不受这个问题影响。
• 不需要从cv_results_字典中查找单折训练的权重，该字段仅保存交叉验证过程的指标分数，不会存储具体模型的权重值。

内容的提问来源于stack exchange，提问作者Hoang Mai Trinh