如何从训练 LSTM 单元中读取每个特征的权重

Question

我在 TF 1.1.0 上使用多个时间序列作为特征(3 个特征作为输入(到 LSTM 模型(回归时有 1 个输出(。main 函数启动了一个会话，如下所示：

model = SKCompat(learn.Estimator(model_fn=lstm_model, 
              model_dir=LOG_DIR,
              params={'learning_rate': Learning_rate}))
model.fit(trainX, trainY, steps=steps)

lstm_model功能主要如下：

lstm_cell = tf.contrib.rnn.LSTMCell(hidden, state_is_tuple=True)
lstm_cell = tf.contrib.rnn.DropoutWrapper(cell=lstm_cell, output_keep_prob=0.1)
(output, state) = tf.nn.dynamic_rnn(cell=lstm_cell, inputs=features, dtype=tf.float32)

训练并保存模型(由默认 tf 函数本身自动保存(后，我可以通过主函数中的"import_meta_graph"和"恢复"来读取 LSTM 单元的权重。权重看起来像一个 (131， 512( 数组。

问题是如何从这样的权重数组中知道每个特征的权重，即每个特征对输出的权重？

顺便说一句，如果您使用默认的 tf 函数，我可以在训练时保存自定义模型吗？怎么办？多谢。

Answer 1

我认为权重[131， 512]可以这样解释：

由于有 128 个隐藏层，3 个特征

1. D-131 变量是 3 个特征的权重，128 个隐藏层(仍然不确定(。
2. D-512 变量是每个隐藏层中输入门、忘记门、单元状态和输出门的权重，4*128 = 512。我说的对吗？