參考網站：Keras官方指南

　　如果想要看各個神經元最初設定的權重，輸入以下程式：

layer = layers.Dense(4)
print(layer.weights)

　　但出現的結果是：

[]

　　這是因為在keras程式中，必須先有輸入值才會產生權重，不然會出現空集合。因此如果用以下方式：

layer = layers.Dense(4)
y = layer(tf.ones((3,4,2)))
print(layer.weights)

　　則會產生權重，而且有趣的是，每次執行都會產生不一樣的權重，這也表示每次在訓練都會以不同值作為訓練，不必自己手動調整：

[<tf.Variable 'dense_5/kernel:0' shape=(2, 4) dtype=float32, numpy=
array([[-0.03356194,  0.3569517 , -0.8341913 ,  0.73365426],
       [-0.10828733,  0.30690932, -0.19653058,  0.02371168]],
      dtype=float32)>, <tf.Variable 'dense_5/bias:0' shape=(4,) dtype=float32, numpy=array([0., 0., 0., 0.], dtype=float32)>]

[<tf.Variable 'dense_6/kernel:0' shape=(2, 4) dtype=float32, numpy=
array([[ 0.50712013, -0.64136124, -0.3829267 ,  0.5257573 ],
       [-0.7684462 ,  0.03535271,  0.4861548 ,  0.5680456 ]],
      dtype=float32)>, <tf.Variable 'dense_6/bias:0' shape=(4,) dtype=float32, numpy=array([0., 0., 0., 0.], dtype=float32)>]

　　輸出結果會發現有兩個tf.Variable，前面是只權重的部分，後面是偏差值。
　　在權重部分中，我看到kernel，以為是只作業系統上的軟體和硬體之間的溝通，後來才想到：「這不是作業系統啊」，因此就調查了一下為何機器學習中有kernel。
　　在機器學習裡，kernel可以用來協助區分資料，使得可以更快速建立基本架構，一般來說在低維度的空間，資料可能會混雜在同一個區塊中，很難找到適合的線性方式，因此使用kernel可以將基本資料切換成多個維度，從平面變成立體的架構，就有可能可以找到適合的線性方式，不必用非線性的方式了。
　　上述提到，總結kernel有兩個重點：樣本的相似性以及加權。不得不說機器學習中有很重要的概念：要得到自己想要的結果，那就在訓練集中先找到相似的樣本，將那些樣本拿來訓練，就能得到想要的結果了。因此kernel就可以被用來找到距離最近點進行訓練、區分，且距離越近的點所設定的權重會越大，表示相似度越高，最後在用線性回歸調整權重數值，以訓練玩結果。
　　輸出結果中的array中的各個數字就是各個神經元的權重，在上一篇激勵函數中有提到，因為只會看最後一個數來決定該輸入層有多少個神經元，因此權重的個數僅有8個，若要表示輸入層，則如圖(一)。

　　以tf.ones(3,4,2)格式會是這樣：

[[[1. 1.]
  [1. 1.]
  [1. 1.]
  [1. 1.]]

 [[1. 1.]
  [1. 1.]
  [1. 1.]
  [1. 1.]]

 [[1. 1.]
  [1. 1.]
  [1. 1.]
  [1. 1.]]]

　　則圖(一)的輸入層有兩個神經元，第一個會取矩陣當中的第一行數字，第二個則取第二行。
　　最後偏差值的部分，偏差因為是先把資料乘上權重且加總完畢之後，才會加入偏差值，因此可以看到偏差的個數是根據layer個數而定，且目前每個值都是設定為0。