模型需要初始化，您可以执行model.compiled（），这是一个很好的步骤，仅在有时Tensorflow加载权重而不初始化值，或者您可以使用model.fit（），这将防止错误。
对于我的例子，自定义层告诉您如何在层内生成权重，这需要与优化器和工作程序的参数相匹配。
对于机器工程或构建机器人，他们使用小工具来理解数字和矩阵，没有安装包含第三方应用程序的Tensorflow，下一个Web平台实现他们构建Java版本，但这就是为什么我不安装在他们复制和恢复的通信设备上。
示例：用形状和数据类型初始化的权重（不同版本可能支持不同的数据类型）

"""""""""""""""""""""""""""""""""""""""""""""""""""""""""
: Class
"""""""""""""""""""""""""""""""""""""""""""""""""""""""""
class MyLSTMLayer( tf.keras.layers.LSTM ):
    def __init__(self, units, return_sequences, return_state):
        super(MyLSTMLayer, self).__init__( units, return_sequences=return_sequences, return_state=return_state )
        self.num_units = units
        self.return_sequences = return_sequences
        self.return_state = return_state

    def build(self, input_shape):
        self.w = self.add_weight(
            shape=(input_shape[-1], self.units),
            initializer="random_normal",
            trainable=True,
        )
        self.b = self.add_weight(
            shape=(self.units,), initializer="random_normal", trainable=True
        )

    def call(self, inputs):
        return tf.matmul(inputs, self.w) + self.b

样品：在机器上运行的最终产品

temp = tf.random.normal([10], 1, 0.2, tf.float32)
temp = np.asarray(temp) * np.asarray([ coefficient_0, coefficient_1, coefficient_2, coefficient_3, coefficient_4, coefficient_5, coefficient_6, coefficient_7, coefficient_8, coefficient_9 ]) #action = actions['up']
temp = tf.nn.softmax(temp)
action = int(np.argmax(temp))

输出：操作反馈响应系统。~！x1c 0d1x