一、建Embeddin层优化

1、报错信息：Unrecognized keyword arguments passed to Embedding:{'batch_input_shape': [64, None]}

2、模型配置可优化

在创建Embedding层时，使用了batch_size作为参数。这在某些情况下可以加速初始化过程，但不是必须的，且可能会导致在不同batch大小上重复使用模型时出现问题。通常，我们建议不指定batch_size，让Keras在运行时根据实际情况决定。

3、解决方案：移除batch_size参数

 # 创建模型
    model = tf.keras.Sequential([
        tf.keras.layers.Embedding(vocab_size, embedding_dim),
        tf.keras.layers.GRU(rnn_units, return_sequences=True, stateful=False, recurrent_initializer='glorot_uniform'),
        tf.keras.layers.Dense(vocab_size, activation=None)  # 可根据任务调整激活函数，默认为None
    ])

二、错误信息

When using save_weights_only=True in ModelCheckpoint, the filepath provided must end in .weights.h5 (Keras weights format). Received:

解决方案：

根据错误提示，当在 tf.keras.callbacks.ModelCheckpoint 中设置 save_weights_only=True 时，保存路径（filepath）应以 .weights.h5 结尾。为了修正这个问题，请修改检查点文件名格式。以下是修复后的代码：

# %% 
# 进行训练
# 检查点保存至的目录
checkpoint_dir = '/training_checkpoints'
# 检查点的文件名格式，确保以 .weights.h5 结尾
checkpoint_prefix = os.path.join(checkpoint_dir, "ckpt_{epoch:02d}.weights.h5")
# 训练的回调
checkpoint_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_prefix, save_weights_only=True)
# 进行训练
history = model.fit(dataset, epochs=20, callbacks=[checkpoint_callback])