Neural network Keras获得RNN的重量解释

当我使用Keras运行此代码时：

networkDrive = Input(batch_shape=(1,length,1))
network = SimpleRNN(3, activation='tanh', stateful=False, return_sequences=True)(networkDrive)

generatorNetwork = Model(networkDrive, network)

predictions = generatorNetwork.predict(noInput, batch_size=length)


print(np.array(generatorNetwork.layers[1].get_weights()))

我得到这个输出

[array([[ 0.91814435,  0.2490257 ,  1.09242284]], dtype=float32)
 array([[-0.42028981,  0.68996912, -0.58932084],
       [-0.88647962, -0.17359462,  0.42897415],
       [ 0.19367599,  0.70271438,  0.68460363]], dtype=float32)
 array([ 0.,  0.,  0.], dtype=float32)]

我假设，（3,3）矩阵是权重矩阵，将RNN单元彼此连接起来，两个数组中的一个可能是偏差

---

但第三个是什么

在SimpleRN实现中，确实需要3组权重

权重[0]

是输入矩阵。它转换输入，因此具有形状

[输入尺寸，输出尺寸]

权重[1]

是递归矩阵。它转换循环状态并具有形状

[输出尺寸，输出尺寸]

权重[2]

是偏差矩阵。它被添加到输出中，并具有一个形状

[output\u dim]

将三个操作的结果相加，然后通过激活层

---

我希望现在情况更清楚了

好的，有道理。为什么普通致密层没有输入矩阵，只有连通矩阵和偏差矩阵？致密层只是“输入层”。它们具有形状（输入尺寸、输出尺寸）