我尝试使用CNTK和TF在虚拟数据集上实现char-LSTM分类模型，两种模型在完美数据集上都达到了100％的准确度（我现在不关心过度拟合）。
然而，一旦训练完成并且模型被保存到文件并恢复，模型似乎忘记了他们的训练并且在同一数据集上表现不佳。
我比较了训练后和恢复后LSTM和致密层的重量和偏差，它们完美匹配。我觉得还有其他东西需要恢复（LSTM状态可能？）让模型再次开始准确运行。
恢复的LSTM模型是否需要“准备好”＆＃34;在某种程度上，他们可以再次开始满负荷运转？
代码和数据集可用here。
答案 0 :(得分：1)
该问题与保存/加载LSTM无关。
在Python中，当您将一个集转换为一个列表时，结果不会被排序，并且与run to run不同：
In [1]: list(set(['t', 'h', 'i', 's', ' ', 'i', 's', ' ', 'a', ' ', 's', 'p', 'a', 'm']))
Out[1]: ['s', 'a', 'm', 't', 'h', 'p', 'i', ' ']
In [1]: list(set(['t', 'h', 'i', 's', ' ', 'i', 's', ' ', 'a', ' ', 's', 'p', 'a', 'm']))
Out[1]: [' ', 'h', 'a', 't', 'm', 'i', 'p', 's']
因此，在你的代码中，不同的字符在运行到运行的向量中会有不同的位置，因此性能只是随机的。
只需将all_chars = list(set(all_chars))更改为all_chars = sorted(set(all_chars))即可解决问题（我只验证了CNTK脚本）。