Python PyBrain：如何在神经网络中设置特定权重？

我试图根据给定的事实重新创建一个神经网络。它有3个输入，一个隐藏层和一个输出。我的问题是权重也是给定的，所以我不需要训练

我在想，也许我可以省去类似结构神经网络的训练，并相应地改变值。你认为这样行吗？还有其他想法吗？谢谢

神经网络代码：

    net = FeedForwardNetwork()
    inp = LinearLayer(3)
    h1 = SigmoidLayer(1)
    outp = LinearLayer(1)

    # add modules
    net.addOutputModule(outp)
    net.addInputModule(inp)
    net.addModule(h1)

    # create connections
    net.addConnection(FullConnection(inp, h1))
    net.addConnection(FullConnection(h1, outp))

    # finish up
    net.sortModules()


    trainer = BackpropTrainer(net, ds)
    trainer.trainUntilConvergence()

从中保存培训和加载代码

---

我很好奇如何阅读已经训练好的网络（使用xml工具）。因为，这意味着可以通过某种方式设置网络权重。因此，我发现，您可以使用

\u setParameters（）

设置参数

然而，下划线表示可能有一些副作用的私有方法。还要记住，带权重的向量必须与最初构造的网络长度相同

范例

>>> import numpy
>>> from pybrain.tools.shortcuts import buildNetwork
>>> net = buildNetwork(2,3,1)
>>> net.params

array([...some random values...])

>>> len(net.params)

13

>>> new_params = numpy.array([1.0]*13)
>>> net._setParameters(new_params)
>>> net.params

array([1.0, ..., 1.0])

另一件重要的事情是将价值观按正确的顺序排列。例如，上面是这样的：

[  1., 1., 1., 1., 1., 1.,      1., 1., 1.,        1.,       1., 1., 1.    ] 
     input->hidden0            hidden0->out     bias->out   bias->hidden0   

要确定哪些权重属于层之间的哪些连接，请尝试以下操作

# net is our neural network from previous example
for c in [connection for connections in net.connections.values() for connection in connections]:
    print("{} -> {} => {}".format(c.inmod.name, c.outmod.name, c.params))

---

无论如何，我仍然不知道层之间权重的确切顺序…

参数向量中权重的顺序是唯一定义的，请参见此处：如果您觉得答案有用，请将其标记为已接受；）

# net is our neural network from previous example
for c in [connection for connections in net.connections.values() for connection in connections]:
    print("{} -> {} => {}".format(c.inmod.name, c.outmod.name, c.params))