我使用带有Tensorflow后端的Keras进行时间序列预测（主要是3-6个输入，1个输出） . 它们在预测任务中表现良好，但我想从训练有素的网络中提取知识 .
1. Calculation of optimal input sets 我想使用网络为给定的所需输出提供最佳输入集 . 有没有可能这样做？我只知道有关最大或最小输出的推导的方法 .
2. Extraction of ALL weights 使用Keras我能够提取RNN的权重，例如喜欢：
Param tf.Variable 'simple_rnn_1/kernel:0' shape=(5, 1) dtype=float32_ref: [[ 0.32823798]
[ 0.35204217]
[-0.2824467 ]
[ 0.09021389]
[ 0.54498464]]
Param tf.Variable 'simple_rnn_1/recurrent_kernel:0' shape=(1, 1) dtype=float32_ref:
[[-1.]]
Param tf.Variable 'simple_rnn_1/bias:0' shape=(1,) dtype=float32_ref:
[0.01360767]
这是具有滑动窗口大小5的RNN网络的示例 . 将RNN视为y（t）=为什么h（t）的权重（内核，偏差）是有用的，但是如何获得隐藏的权重矩阵输出h（t）= H（为什么x（t）Whh h（t-1）bh）？最后，我想重写一个RNN作为动态反馈控制系统，如xt 1 =AxtBφ（xt，ut），但因此我需要隐藏的权重矩阵 .
或者您可能还有其他选择来重写像这样的KERAS模型？我想将动态系统理论中的lyapunov稳定性应用于RNN .
我对任何建议感到高兴！