如何解读Keras中GRU层get_weights()方法的返回权重结果？

GRU层返回的权重数组结构和门控计算逻辑直接对应，和SimpleRNN的权重拆分逻辑有区别，具体每一项含义如下：

• 第一个返回数组：输入投影权重，形状为(输入特征维度, 3 * GRU单元数)
  示例代码中输入特征维度为1、GRU单元数为2，因此数组形状为(1,6)，和打印结果完全匹配。数组列按顺序均分为3段，每段长度等于GRU单元数：
  • 前2列：更新门（update gate）对应的输入权重
  • 中间2列：重置门（reset gate）对应的输入权重
  • 最后2列：候选隐藏状态计算环节对应的输入权重
• 第二个返回数组：循环状态权重，形状为(GRU单元数, 3 * GRU单元数)
  示例中形状为(2,6)，列的拆分规则和输入投影权重完全一致，分别对应更新门、重置门、候选隐藏状态计算时，乘以上一时刻隐藏状态的权重参数。
• 第三个返回数组：偏置参数，形状为(2, 3 * GRU单元数)
  示例中形状为(2,6)，全0是Keras默认的参数初始化状态。GRU的偏置被拆为两部分存储：第一行是输入侧偏置，第二行是循环状态侧偏置，实际前向计算时会将两行相加后参与运算，并非两组独立偏置。

关于"GRU包含输出门"的命名歧义说明 #

查阅源码时看到的"GRU包含更新门、重置门、输出门共3个门"的描述属于命名习惯导致的误解：
标准GRU结构仅包含更新门、重置门两个门控单元，不存在LSTM结构中独立的输出门。Keras GRU源码里标注的"output gate"实际就是前述的候选隐藏状态计算环节，只是开发时沿用了LSTM实现的变量命名习惯，并没有给GRU额外新增输出门结构，和经典GRU的公式定义完全一致。

示例实现代码如下：

# 参考SimpleRNN公开示例修改
from pandas import read_csv
import numpy as np
from keras.models import Sequential
from keras.layers import Dense, SimpleRNN, GRU
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error
import math
import matplotlib.pyplot as plt

model = Sequential()
model.add(GRU(units = 2, input_shape = (3,1), activation = 'linear'))
model.add(Dense(units = 1, activation = 'linear'))
model.compile(loss = 'mean_squared_error', optimizer = 'adam')

initial_weights = model.layers[0].get_weights()
print("Shape = ",initial_weights)

运行后打印的初始权重结果：

Shape =  [array([[-0.64266175, -0.0870676 , -0.25356603, -0.03685969,  0.22260845,
        -0.04923642]], dtype=float32), array([[ 0.01929092, -0.4932567 ,  0.3723044 , -0.6559699 , -0.33790302,
         0.27062896],
       [-0.4214194 ,  0.46456426,  0.27233726, -0.00461334, -0.6533575 ,
        -0.32483965]], dtype=float32), array([[0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0.]], dtype=float32)]

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