Keras：解释get_weights（）的输出

在Keras中运行神经网络时，我似乎找不到多少关于如何解释get_weights（）输出的文档。据我所知，输出是由网络结构决定的。因此，我将我的网络结构的简化版本粘贴到下面：

model.add(Dense(5, input_dim=2, activation = linear, use_bias=True, kernel_initializer=Orthogonal))
model.add(Dense(1, use_bias=True))
model.compile(loss='mae', optimizer='adam')

训练后get_weights（）的输出为：

     [array([[ 0.79376745,  0.79879117,  1.22406125,  1.07782006,  1.24107373],
           [ 0.88034034,  0.88281095,  1.13124955,  0.98677355,  1.14481246]], dtype=float32), 
      array([-0.09109745, -0.09036621,  0.0977743 , -0.07977977,  0.10829113], dtype=float32), 
      array([[-0.72631335],
           [-0.38004425],
           [ 0.62861812],
           [ 0.10909595],
           [ 0.30652359]], dtype=float32), 
      array([ 0.09278722], dtype=float32)]

总共有四个阵列。每个代表什么？谢谢

• 第一层的权重（2个输入x 5个单位）
• 第一层的偏差（5个单位）
• 第二层的权重（5个输入x 1个单位）
• 第二层的偏差（1个单位）

您也可以始终按层获取：

for lay in model.layers:
    print(lay.name)
    print(lay.get_weights())

---

这实际上让我意识到我误解了神经网络中权重的形状。我以为每个神经元有一个权重，但实际上每个神经元的权重数量取决于它与前一层的连接数量。另一方面，每个神经元只有一个偏差。我需要再次研究神经网络的数学。谢谢这在一开始对我帮助很大：谢谢。只是确认一下，对于第一个数组（即2x5），第一个值（0.7937）是连接到第一个神经元的第一个输入节点的权重，而最后一个值（1.144）是连接到第五个神经元的第二个输入节点的权重。是的：）就是它。所以每一层存储到它的“过渡”的权重，对吗？从输入值到第一个隐藏层“过渡”，权重存储在第一个隐藏层中。依此类推，直到输出层存储从最后一个隐藏层到输出层的“过渡”权重。我的想法正确吗？