我应该使用相同的权重来计算双向RNN中的正向和反向传递，还是应该独立学习这些权重？
答案 0 :(得分：1)
应该独立。请参阅expected_hidden_size might be not yet supported。
答案 1 :(得分：1)
除非您有palindromes，否则他们应该独立学习，因为他们学习不同的模式。实际上，这是Keras的Bidirectional包装器中的默认设置：
self.forward_layer = copy.copy(layer)
config = layer.get_config()
config['go_backwards'] = not config['go_backwards']
self.backward_layer = layer.__class__.from_config(config)
在上面的source code中，相反的方向是副本，其权重与原始方向无关。
答案 2 :(得分：1)
就个人而言，我没有见过经常使用相同的权重集来进行正向和反向传递，而我发现直观地使用相同的权重集可用于正向和反向传递计数器。
因为双向RNN的想法是每个输入都有两个隐藏状态，从而给出有关当前输入之前（或应该）以及当前输入之后（或应该）的信息。如果您使用相同的共享权重集，那么输入就不能有两种不同的状态。