Keras中model.get_weights()输出解读及网络计算逻辑疑问

1. 为什么会有两个权重矩阵？ #

你代码里定义的模型不是2-1结构，而是2-2-1结构——你连续加了两个Dense层：

• 第一个Dense(2)是隐藏层：输入是2维特征，输出2个神经元，对应一组2×2的权重矩阵和长度为2的偏置向量
• 第二个Dense(1)是输出层：输入是隐藏层的2个神经元，输出1个结果，对应一组2×1的权重矩阵和长度为1的偏置向量

如果想要你最初设想的「输入直接到输出」的2-1单层网络，应该把模型改成：

model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(1)
])

这样就只会有一个2×1的权重矩阵和1个偏置值。

2. 如何用W0、b0、W1、b1复现模型计算？ #

先明确你输出的参数对应关系：

• 第一个输出矩阵：W0（隐藏层权重，形状2×2）
• 第二个输出向量：b0（隐藏层偏置，长度2）
• 第三个输出矩阵：W1（输出层权重，形状2×1）
• 第四个输出向量：b1（输出层偏置，长度1）

因为你没有给Dense层添加激活函数，整个网络是纯线性变换，计算步骤如下：

1. 计算隐藏层输出：h = x @ W0 + b0（@表示矩阵乘法）
2. 计算最终预测值：y_pred = h @ W1 + b1

实际计算示例 #

比如取输入x = [0.5, 0.5]，用你给出的参数手动计算：

• 第一步算隐藏层输出h：

  h[0] = 0.5*0.8512728 + 0.5*(-0.04689309) + (-0.23842156) ≈ 0.1638
  h[1] = 0.5*1.555682 + 0.5*1.6778996 + (-0.06958904) ≈ 1.5471
  

• 第二步算最终预测值：

  y_pred = 0.1638*0.09876956 + 1.5471*0.583725 + 0.08260487 ≈ 1.0019
  

这个结果和模型对[[0.5,0.5]]的输出几乎一致（接近真实值1，误差来自训练精度和浮点数计算）。

代码验证 #

训练完模型后可以加这段代码验证：

# 提取权重
W0, b0, W1, b1 = model.get_weights()

# 测试输入
x_test = np.array([[0.5, 0.5]])
# 手动计算
h = x_test @ W0 + b0
y_manual = h @ W1 + b1
# 模型预测
y_model = model.predict(x_test, verbose=0)

print(f"手动计算结果: {y_manual[0][0]}")
print(f"模型预测结果: {y_model[0][0]}")

两者输出会高度接近，差异仅来自浮点数精度。

内容的提问来源于stack exchange，提问作者aleph2