Керас, как просмотреть соединения узлов?

Question

Если я правильно понимаю нейронную сеть - это просто график узлов и ребер , где каждый узел в данном слое связан с каждым узлом в следующем слое.

У узлов есть веса, а у ребер есть веса? И вы делаете некоторое умножение этих значений, чтобы получить прогноз.

При условии двухслойной модели (с 2 входными узлами 'a & b' и1 выходной узел 'c'), это то, к чему я стремлюсь:

| source | destination | value |
+--------+-------------+-------+
| a      | c           | 0.01  |
| b      | c           | 0.03  |

Но когда я вызываю model.weights (хотя и на более сложной модели), я получаю кучу безключевых np-массивов без возможностичтобы сказать, какие значения принадлежат каким узлам.

[<tf.Variable 'dense_1/kernel:0' shape=(8, 12) dtype=float32, numpy=
array([[ 0.31751466,  0.20620143,  0.09791961, -0.08813753,  0.2515421 ,
        -0.53187364, -0.15702713,  0.0267031 , -0.48389524, -0.13240823,
         0.39453653, -0.39209265],
       [ 0.31308496, -0.38468117, -0.03970708,  0.2889997 ,  0.03803336,
         0.04796927, -0.5140167 ,  0.04645742,  0.08511442, -0.09435426,
         0.03105392, -0.17520434],
       [ 0.05365064, -0.05402106, -0.02931813,  0.13150737,  0.08898667,
         0.20198704,  0.28716817,  0.21081768, -0.09572094,  0.14665389,
        -0.3083644 , -0.47491354],
       [-0.36734372, -0.12509695, -0.16984704, -0.19592582,  0.24023046,
        -0.28856498,  0.11084742,  0.12101128,  0.00146453, -0.4996385 ,
        -0.23521361,  0.24130017],
       [ 0.21538568, -0.08531788, -0.32247233, -0.09213281, -0.39390212,
         0.05042276,  0.22282743, -0.11438937, -0.00920196,  0.12748554,
        -0.02741051, -0.12594655],
       [ 0.3057384 , -0.20449257,  0.16837521,  0.21493798, -0.14034544,
         0.45435148, -0.0548106 ,  0.07033874,  0.39275315, -0.3332669 ,
        -0.10222256,  0.14674312],
       [ 0.36575058,  0.07205153, -0.14340317, -0.57348907,  0.7167731 ,
        -0.29590985,  0.6351    , -0.6615748 , -0.23423046, -0.1065482 ,
         0.7084621 ,  0.02146828],
       [-0.14760445, -0.4926324 ,  0.30986223,  0.4067813 ,  0.32313958,
        -0.39595246,  0.12813015, -0.3088377 , -0.7285755 ,  0.6085407 ,
         0.39351743, -0.09248918]], dtype=float32)>, 
  <tf.Variable 'dense_1/bias:0' shape=(12,) dtype=float32, numpy=
array([-1.1890789 ,  0.        , -0.43765482,  0.5292001 , -0.94201744,
        0.44064137, -0.5898111 ,  0.8738893 , -0.62948394,  0.9394948 ,
        0.47176355,  0.        ], dtype=float32)>, 
  <tf.Variable 'dense_2/kernel:0' shape=(12, 8) dtype=float32, numpy=
array([[ 0.18743241, -0.04509293,  0.26035592, -0.40080604, -0.2120734 ,
         0.0604641 ,  0.17452721, -0.25245216],
       [-0.4116977 ,  0.4476785 ,  0.13495606,  0.38070595, -0.16811815,
        -0.5323667 , -0.41471216,  0.49056184],
       [-0.43843648, -0.01767761,  0.03876654,  0.279591  , -0.64866304,
         0.4605058 ,  0.50288963,  0.46865177],
       [-0.50431   ,  0.26749972, -0.4822985 ,  0.11643535,  0.34190154,
         0.28961414, -0.19484225,  0.32788265],
       [-0.4659909 ,  0.12863334, -0.17177017,  0.27696657, -0.08261362,
         0.1787579 , -0.49217325, -0.419283  ],
       [-0.31586087,  0.4421215 , -0.35133213, -0.40784043,  0.3213457 ,
         0.08262701, -0.20723267, -0.4305911 ],
       [-0.32226318, -0.3479017 , -0.48984393, -0.19052912,  0.27398133,
        -0.18631694, -0.42036086, -0.31824118],
       [-0.04223084, -0.38938865, -0.33997327, -0.7986885 , -0.12062006,
        -0.37880445,  0.06364141,  0.41674942],
       [-0.07699671, -1.0260301 , -0.38287994,  0.46872973, -0.32630473,
         0.37103057,  0.06274027, -0.25317484],
       [-0.11334842,  0.29602957,  0.01759415,  0.07748368, -0.0767558 ,
         0.13787462, -0.31502756,  0.17331126],
       [-0.5030543 , -0.23578712, -0.38978124,  0.01187875, -0.02882512,
        -0.5208091 , -0.4208508 , -0.08294159],
       [ 0.04435921,  0.545004  ,  0.07590699,  0.21470094, -0.46099266,
        -0.25307545, -0.31362575,  0.3284188 ]], dtype=float32)>,
  <tf.Variable 'dense_2/bias:0' shape=(8,) dtype=float32, numpy=
array([ 0.        ,  1.3254918 , -0.18484406, -0.0136466 ,  1.2459729 ,
       -1.331188  , -0.01439124,  0.9184486 ], dtype=float32)>,
  <tf.Variable 'dense_3/kernel:0' shape=(8, 1) dtype=float32, numpy=
array([[-0.27390796],
       [-0.40990734],
       [-0.12878264],
       [-0.43434066],
       [-0.04099607],
       [ 0.57922167],
       [ 0.3830525 ],
       [-0.47695825]], dtype=float32)>, <tf.Variable 'dense_3/bias:0' shape=(1,) dtype=float32, numpy=array([-1.3391492], dtype=float32)>]

Есть ли способ, похожий на JSON / словарь, чтобы получить то, что мне нужно?

Answer 1

«Источники» и «места назначения» этих ребер не имеют имен, таких как «a» и «b», они просто k -й нейрон n й слой. Значения весов - это просто массив. Например, weights[n][i][j] может быть весом ребра, соединяющего i -й нейрон слоя n с j -ым нейроном слоя n + 1. В этой парадигме веса вашего примера из учебника будут выглядеть так:

[[[ 0.8 0.4 0.3 ] [ 0.2 0.9 0.5 ]]
 [[ 0.3 0.5 0.9 ]]]

Если принять во внимание тот факт, что каждый нейрон может иметь смещение , а также входящие веса, и этоРазличное количество нейронов в разных слоях может сделать 3D-массив рваным (что неудобно). Возможно, вы обнаружите, что наиболее удобный способ его хранения - это структура, содержащая несколько 2D-массивов (каждый из которых содержит веса для одной пары слоев). ) и несколько одномерных массивов (каждый из которых содержит смещения для одного слоя), все разных размеров ... это именно то, что показывает предоставленный вами дамп.