keras lstm初始化权重

### 如何在 Keras 中自定义 LSTM 层的初始权重

为了在 Keras 中设置 LSTM 的初始权重，可以利用 `set_weights` 方法来指定模型中的特定层。下面展示了如何创建并初始化一个带有预设权重的 LSTM 层。

import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense

# 定义模型结构
model = Sequential()
lstm_layer = LSTM(50, input_shape=(timesteps, data_dim), name="my_lstm")  # 假设有 timesteps 时间步和 data_dim 特征数
model.add(lstm_layer)

# 添加其他必要的层...
output_layer = Dense(output_units)
model.add(output_layer)

# 编译模型前先设定好LSTM层的参数
initial_weights = [
    np.random.normal(size=(data_dim, 4 * units)),      # 输入到门控单元的权值矩阵
    np.random.normal(size=(units, 4 * units)),         # 隐藏状态到门控单元的权值矩阵
    np.zeros((4 * units))                              # 忘记门、输入门、细胞状态更新以及输出门对应的偏置向量
]

# 设置LSTM层的初始权重
for layer in model.layers:
    if layer.name == "my_lstm":
        layer.set_weights(initial_weights)

# 编译模型
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

上述代码片段中，通过调用 `layer.set_weights()` 函数可以直接为指定名称的 LSTM 层分配新的权重数组[^1]。这里需要注意的是，传递给 `set_weights` 的列表应该包含三个 NumPy 数组：第一个用于从输入映射到四个内部节点（遗忘门、输入门、候选记忆和输出门），第二个是从上一时间步的记忆状态映射到这四者；第三个则是这些操作各自的偏差项[^2]。