Python 如何将自定义初始权重设置为biLSTM图层Keras？

我目前正致力于构建BiLSTM，并注意使用Antlion算法优化BiLSTM层权重。Antlion Alogrithm在MATLAB代码中，我能够集成Python和MATLAB以获得优化权重，如下所示：

#LSTM hidden nodes
hidden_nodes=11

import matlab.engine
eng = matlab.engine.start_matlab()
#call optimised_weights.m 
[forward_kernel, backward_kernel,forward_recurrent, backward_recurrent]=eng.optimised_weights(int(hidden_nodes),nargout=4)
eng.quit()

## convert to nparray 
forward_kernel=np.array(forward_kernel)
backward_kernel=np.array(backward_kernel)
forward_recurrent=np.array(forward_recurrent)
backward_recurrent=np.array(backward_recurrent)

我目前面临如下模型中创建的BiLSTM层的权重和偏差设置问题（未设置自定义初始权重）：

我尝试过以下方法：

model.add(Bidirectional(LSTM(hidden_nodes, return_sequences=True,
weights=[forward_kernel,forward_recurrent,np.zeros(20,),backward_kernel,backward_recurrent,np.zeros(20,)]))) 

但是一旦模型被编译，权重和偏差就会改变…即使内核、递归和偏差初始化器被设置为无

我已经提到了这个链接：但无法将其与我的问题联系起来

如果你们能提供解决这个问题的见解，如果我遗漏了一些基本部分，我将不胜感激。如有需要，我很乐意与大家分享更多细节

---

谢谢

使用

tf.constant\u初始值设定项

将自定义权重设置为

np.array

。此外，当您使用双向层时，需要使用自定义权重明确指定反向层

layer = Bidirectional(
    LSTM(
        hidden_nodes,
        return_sequences=True,
        kernel_initializer=tf.constant_initializer(forward_kernel),
        recurrent_initializer=tf.constant_initializer(forward_recurrent),
    ),
    backward_layer=LSTM(
        hidden_nodes,
        return_sequences=True,
        kernel_initializer=tf.constant_initializer(backward_kernel),
        recurrent_initializer=tf.constant_initializer(backward_recurrent),
        go_backwards=True,
    ),
)

注意砝码的预期形状。由于层的输入是

（批、时间步、特征）

，因此权重应具有以下形状（以说明LSTM单元中的4个门）：

• 内核：

  （功能，4个隐藏节点）

• 重复：

  （隐藏节点，4个*隐藏节点）

• 偏差：

  （4个隐藏节点）

---

我已经用我的模型测试了你的方法，现在似乎可以工作了……谢谢！

layer = Bidirectional(
    LSTM(
        hidden_nodes,
        return_sequences=True,
        kernel_initializer=tf.constant_initializer(forward_kernel),
        recurrent_initializer=tf.constant_initializer(forward_recurrent),
    ),
    backward_layer=LSTM(
        hidden_nodes,
        return_sequences=True,
        kernel_initializer=tf.constant_initializer(backward_kernel),
        recurrent_initializer=tf.constant_initializer(backward_recurrent),
        go_backwards=True,
    ),
)