重置 Keras 层中的权重

我想重置（随机化）Keras（深度学习）模型中所有层的权重。原因是我希望能够使用不同的数据分割多次训练模型，而不必每次都进行（缓慢的）模型重新编译。

灵感来自这次讨论 https://github.com/fchollet/keras/pull/1908，我正在尝试以下代码：

# Reset weights
for layer in KModel.layers:
    if hasattr(layer,'init'):
        input_dim = layer.input_shape[1]
        new_weights = layer.init((input_dim, layer.output_dim),name='{}_W'.format(layer.name))
        layer.trainable_weights[0].set_value(new_weights.get_value())

然而，它只起到了部分作用。

部分原因是我检查了一些 layer.get_weights() 值，它们似乎发生了变化。但是当我重新开始训练时，成本值远低于第一次运行时的初始成本值。这几乎就像我已经成功地重置了一些权重，但不是全部。

在编译模型之后、训练之前立即保存初始权重：

model.save_weights('model.h5')

然后在训练后，通过重新加载初始权重来“重置”模型：

model.load_weights('model.h5')

这为您提供了一个同类模型来比较不同的数据集，并且应该比重新编译整个模型更快。