如何从权重与偏置创建MLPClassifier？（Python 3）

sklearn的MLPClassifier构造函数不支持直接通过weights或biases参数传入预训练的权重和偏置，无法直接用clf = MLPClassifier(weights=weights, biases=biases)的方式初始化。正确的做法是先创建与原模型结构完全匹配的分类器实例，再手动赋值权重和偏置属性。

步骤1：训练模型并保存权重、偏置 #

import numpy as np
from sklearn.neural_network import MLPClassifier

# 加载数据集
data = np.load("data.npy")
labels = np.load("labels.npy")

# 训练MLP分类器
clf = MLPClassifier()
clf.fit(data, labels)

# 保存权重（coefs_）和偏置（intercepts_）
np.save("weights.npy", clf.coefs_)
np.save("biases.npy", clf.intercepts_)

步骤2：加载权重并初始化新模型 #

import numpy as np
from sklearn.neural_network import MLPClassifier

# 加载保存的权重和偏置
weights = np.load("weights.npy", allow_pickle=True)
biases = np.load("biases.npy", allow_pickle=True)

# 从权重维度反推原模型结构（或直接使用训练时的参数）
# 示例：假设原模型是输入层→隐藏层→输出层的结构
n_features = weights[0].shape[0]       # 输入特征数
n_hidden_units = weights[0].shape[1]   # 隐藏层单元数
n_classes = weights[-1].shape[1]       # 输出类别数

# 创建结构完全匹配的MLP实例，设置max_iter=0避免自动训练
clf = MLPClassifier(
    hidden_layer_sizes=(n_hidden_units,),
    max_iter=0
)

# 手动赋值权重和偏置
clf.coefs_ = weights
clf.intercepts_ = biases

# 补充模型必要属性，确保可正常预测
clf.classes_ = np.unique(labels)
clf.n_features_in_ = n_features

# 现在可以用该模型进行预测
# y_pred = clf.predict(new_test_data)

注意事项 #

• 新模型的所有结构参数（如hidden_layer_sizes、activation、solver）必须与训练原模型时完全一致，否则会因权重维度不匹配报错。
• 更简便的方式是直接保存整个模型：使用joblib序列化完整模型，无需手动处理权重和偏置：

from joblib import dump, load

# 保存完整模型
dump(clf, "mlp_model.joblib")

# 加载模型
clf = load("mlp_model.joblib")

内容的提问来源于stack exchange，提问作者sbottingota