如何获取Julia Flux框架搭建的神经网络的各层连接边权重

Flux的Dense层内置存储了连接权重和偏置参数，无需反向推导输出获取：

• 连接边权重存储在层的.weight属性中，为矩阵格式
• 偏置参数存储在层的.bias属性中，为向量格式

权重矩阵维度说明 #

适配你的网络结构：

• 输入层→隐藏层的layer_1：输入维度4、输出维度8，对应layer_1.weight为8行4列的矩阵，第i行第j列的值代表输入层第j个神经元到隐藏层第i个神经元的连接权重
• 隐藏层→输出层的output_layer：输入维度8、输出维度3，对应output_layer.weight为3行8列的矩阵，第i行第j列的值代表隐藏层第j个神经元到输出层第i个神经元的连接权重

using Flux

# 你的原有网络构建代码
layer_1 = Dense(4,8,relu)
output_layer = Dense(8,3)
model = Chain(layer_1, output_layer, softmax)

# 方式1：直接通过层变量获取权重
## 输入层到隐藏层权重
input_to_hidden_weight = layer_1.weight
println("输入层到隐藏层连接权重（8×4矩阵）：")
display(input_to_hidden_weight)

## 隐藏层到输出层权重
hidden_to_output_weight = output_layer.weight
println("\n隐藏层到输出层连接权重（3×8矩阵）：")
display(hidden_to_output_weight)

# 方式2：如果没有单独保存层变量，可直接从Chain模型中索引获取
input_to_hidden_weight2 = model[1].weight
hidden_to_output_weight2 = model[2].weight

# 可选：查看对应偏置
# println("\n隐藏层偏置：")
# display(layer_1.bias)
# println("\n输出层偏置：")
# display(output_layer.bias)

如果需要一次性获取模型所有可训练参数（包括所有权重、偏置），可以调用Flux.params(model)，返回的参数列表顺序和你定义模型层的顺序一致。

内容的提问来源于stack exchange，提问作者R. Barzell