如何从训练lstm细胞中读取每个特征的权重

Question

我在TF 1.1.0上使用了几个时间序列作为LSTM模型（回归时输出1）的特征（3个输入特征）。主要功能开始了如下会话：

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

和lstm_model函数主要如下：

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（由默认的tf函数本身自动保存）后，我可以通过＆＃39; import_meta_graph＆＃39;来读取LSTM单元格的权重。并且恢复＆＃39;在主要功能。权重看起来像（131,512）数组。

问题是如何从这样的权重数组中知道每个要素的权重，即每个要素对输出的权重？

顺便说一句，如果你使用默认的tf功能，我可以在训练时保存自定义模型吗？怎么做？非常感谢。

Answer 1

我认为权重[131,512]可以这样解释：

由于128个隐藏层，3个功能

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。 我是对的吗？