如何在plot.nn()中对神经网络权重进行三位小数取整？

你遇到的问题核心在于neuralnet模型的weights是嵌套列表结构，普通的mapply(round)无法递归处理多层嵌套的元素。这里提供两种可行的方案，帮你实现权重取整后再绘图：

方案1：自定义递归函数处理嵌套权重 #

我们可以写一个简单的递归函数，遍历权重列表的每一层，把所有数值都保留3位小数：

# 定义递归取整函数
round_weights <- function(weight_list, digits = 3) {
  if (is.list(weight_list)) {
    # 如果是列表，递归处理每个子元素
    lapply(weight_list, round_weights, digits = digits)
  } else {
    # 如果是数值矩阵/向量，直接取整
    round(weight_list, digits = digits)
  }
}

# 应用到你的模型
nn.model$weights <- round_weights(nn.model$weights, digits = 3)

# 重新绘制模型
plot(nn.model)

方案2：用purrr包快速处理嵌套结构 #

如果你已经安装了purrr包（tidyverse系列的工具包），可以用map_depth直接指定嵌套层数来处理，代码更简洁：

library(purrr)

# 针对neuralnet单隐藏层的权重结构（两层嵌套），直接取整
nn.model$weights <- map_depth(nn.model$weights, 2, ~round(.x, 3))

# 绘图
plot(nn.model)

为什么之前的方法无效？ #

neuralnet训练后的weights是嵌套列表：比如单隐藏层模型，它是一个长度为1的列表，内部又包含输入→隐藏层、隐藏→输出层的权重矩阵。mapply只能处理平行的同级列表，无法深入到子列表里处理矩阵元素，而递归函数或map_depth可以逐层遍历所有嵌套元素，完成取整操作。

你可以通过print(nn.model$weights)验证处理后的权重是否已经变成3位小数，之后再绘图就能看到清晰的取整后数值了。

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