如何从MLPClassifier获取最终权重与偏置？coefs_和intercepts_属性疑问

首先明确：MLPClassifier的coefs_和intercepts_属性存储的是训练完成后的最终权重与偏置值，并非初始值。

如何获取初始权重与偏置？ #

scikit-learn没有直接提供获取初始权重的公开属性，但可以通过以下方式实现：

• 方法一：利用max_iter=0初始化模型
  创建模型时固定random_state保证可复现，设置max_iter=0，此时调用fit()方法只会完成模型结构初始化，不会执行训练迭代，此时的coefs_和intercepts_就是初始值。示例代码：

  from sklearn.neural_network import MLPClassifier
  import numpy as np
  
  # 初始化模型，固定随机种子，设置max_iter=0
  mlp = MLPClassifier(hidden_layer_sizes=(10,), random_state=42, max_iter=0)
  # 传入样本触发初始化
  X = np.random.rand(10, 5)
  y = np.random.randint(0, 2, 10)
  mlp.fit(X, y)
  # 获取初始权重和偏置
  initial_coefs = mlp.coefs_
  initial_intercepts = mlp.intercepts_
  

• 方法二：自定义子类记录初始值
  继承MLPClassifier类，重写初始化相关方法，在权重生成时直接记录初始值，这种方式更稳定，避免依赖内部方法的变动风险。

如何获取最终权重与偏置？ #

模型训练完成后，直接访问coefs_和intercepts_属性即可：

# 正常训练模型
mlp = MLPClassifier(hidden_layer_sizes=(10,), random_state=42)
mlp.fit(X, y)
# 获取最终权重和偏置
final_coefs = mlp.coefs_
final_intercepts = mlp.intercepts_

其中coefs_是列表结构，每个元素对应一层的权重矩阵；intercepts_同样是列表，每个元素对应一层的偏置向量。

内容的提问来源于stack exchange，提问作者PaulS