问题是model_copy在克隆后可能没有编译。实际上有几个问题：
1.显然，克隆不会复制丢失函数、优化器信息等。
1.在编译之前，您还需要构建模型。
1.此外，克隆并不会复制体重
所以在克隆之后你需要几行额外的代码。例如，对于10个输入变量：

model_copy= keras.models.clone_model(model1)
model_copy.build((None, 10)) # replace 10 with number of variables in input layer
model_copy.compile(optimizer='rmsprop', loss='categorical_crossentropy')
model_copy.set_weights(model.get_weights())

更简单的方法1：从文件加载重量

如果我没理解错你的问题的话，有一个更简单的方法可以做到这一点。你不需要克隆模型，只需要保存old_weights并在循环开始时设置权重。你可以简单地从文件中加载权重。

for _ in range(10):
    model1= create_Model()
    model1.compile(optimizer='rmsprop', loss='categorical_crossentropy')
    model1.load_weights('my_weights')

    for j in range(0, image_size):
          model1.fit(sample[j], sample_lbl[j])
          prediction= model1.predict(sample[j])

更简单的方法2：正在从先前的get_weights（）载入权重

或者，如果您不希望从文件加载：

model1= create_Model()
model1.compile(optimizer='rmsprop', loss='categorical_crossentropy')
model1.load_weights('my_weights')
old_weights = model1.get_weights()

for _ in range(10):
    model1.set_weights(old_weights)
    for j in range(0, image_size):
          model1.fit(sample[j], sample_lbl[j])
          prediction= model1.predict(sample[j])

这些天它的琐碎：

model2 = tf.keras.models.clone_model(model1)

这将给予你一个新的模型，新的层，和新的权重。如果由于某种原因，这不工作（我还没有测试它）这个旧的解决方案将：

model1 = Model(...)
model1.compile(...)
model1.save(savepath) # saves compiled state
model2 = keras.models.load_model(savepath)

在python中获取深度副本的一个非常通用的方法是从copy包中获取deepcopy：

import copy
model2=copy.deepcopy(model)

对keras模型使用此方法有什么缺点吗？