TensorFlow Keras中model.weights工作机制与偏置存储疑问

奇数索引位置存储的向量就是各Dense层的偏置项，和你预期中权重矩阵常数项对应的参数完全一致，只是Keras没有采用将偏置拼接入权重矩阵的存储形式而已。

具体说明 #

• Keras的Dense层默认开启偏置参数（对应构造参数use_bias=True），但实现上不会把偏置作为额外行/列拼接到核权重矩阵中，而是将核权重（kernel）、偏置（bias）拆分为两个独立的可训练张量存储。因此model.weights的排列规则固定为：第N层核权重、第N层偏置、第N+1层核权重、第N+1层偏置……正好匹配你切片得到的「偶数位为权重矩阵、奇数位为偏置向量」的结果。
• 你可以直接对照模型摘要的参数量验证：
  • 第一个Dense层输入维度为15，核权重形状(15,20)对应参数量15*20=300，加上长度为20的偏置向量，总参数量320，和摘要中dense_40的Param#完全吻合。
  • 中间5个隐藏Dense层输入维度均为20，核权重形状(20,20)对应参数量400，加上长度为20的偏置向量，单层总参数量420，和摘要记录一致。
  • 最后输出Dense层核权重形状(20,2)对应参数量40，加上长度为2的偏置向量，总参数量42，同样匹配摘要数值。
• 你之前预期的16×20、21×20这类维度，是手写神经网络/部分教材中常见的实现逻辑：这类实现会人为给每一层输入添加一个值恒为1的常数特征，偏置就对应这个常数特征的权重，因此不需要单独存储偏置向量。这种写法和Keras拆分存储的实现计算逻辑完全等价，只是存储形式不同，不存在原理差异。

你也可以通过访问单一层的权重属性做二次确认：

# 第0层是无参数的Flatten层，索引1对应第一个Dense层
first_dense_layer = model.layers[1]
print(first_dense_layer.weights)
# 输出会明确标注两个张量分别为该层的kernel（核权重）和bias（偏置）

内容的提问来源于stack exchange，提问作者lior1zh2000