Neural network 在Keras训练RNN后，我们如何获得体重？

我在Keras培训了一名RNN。现在，我想得到经过训练的权重值：

model = Sequential() 
model.add(SimpleRNN(27, return_sequences=True , input_shape=(None, 27), activation = 'softmax'))<br>
model.compile(loss='categorical_crossentropy',
          optimizer='rmsprop',
          metrics=['accuracy'])
model.get_weights()

model=Sequential（）
添加（SimpleRN（27，返回序列=True，输入形状=（无，27），激活='softmax'））

model.compile（loss='classifical_crossentropy'，
优化器='rmsprop'，
指标=[‘准确度’]）
model.get_weights（）

---

这给了我两个shape

（27,27）

数组和一个shape

（27,1）

数组。我不明白这些数组的含义。此外，我还应该得到另外两个shape

（27,27）

和

（27,1）

数组，它们将计算隐藏状态“a”的激活。如何获取这些权重？

model.get_weights（）返回的数组直接对应于所使用的权重。这些措施包括：

• 大小为

  的
  内核
  矩阵（输入\u形[-1]，单位）
  。在您的例子中，
  input_shape=（None，27）
  和
  units=27
  ，因此它是
  （27，27）
  。内核与
  输入相乘

• 大小为

  （单位，单位）

  的

  循环\u内核

  矩阵，也恰好是

  （27，27）

  。此矩阵与前一状态相乘
• 形状的偏移数组

  （单位，）==（27，）

这些数组对应于标准公式：

# W = kernel
# U = recurrent_kernel
# B = bias
output = new_state = act(W * input + U * state + B)

---

请注意，keras实现使用一个偏差向量，因此总共有三个数组。

要计算输出，我们必须将新的_状态与输出_内核和输出_偏差相乘。Output=act（Out_kernel*new_state+By），因此，我们应该总共有3个大小的内核（27，27）和2个大小的偏差（27，1），这不是简单RNN单元的工作方式。答案中有正确的公式。唯一拥有3个以上参数数组的库是pytorch，它们使用两个偏置向量和两个内核。Keras使用单个偏置矢量。见本讨论：