模型的權重與偏差值是神經網路最核心的可學習參數。權重決定輸入特徵的重要程度，偏差值讓模型輸出可以整體平移，兩者會在訓練過程中透過損失函數與反向傳播更新。
權重與偏差值分別代表什麼？
權重代表輸入特徵對輸出的影響強度，偏差值代表不依賴輸入的基準位移。神經網路每一層通常都會保存權重矩陣與偏差向量。
以線性層來看，模型會計算：
```text
y = xW + b
```
`W` 是權重，`b` 是偏差值。若沒有偏差值，模型輸出會被限制在必須通過原點的形式；加入偏差值後，模型可以表示更多函數形狀。
權重如何在訓練中被更新？
權重會根據損失函數對參數的梯度逐步更新。反向傳播計算每個參數造成錯誤的方向，最佳化器再決定每次要調整多少。
典型訓練迴圈：
- 用目前權重做預測。
- 用損失函數比較預測與標籤。
- 透過反向傳播計算梯度。
- 用 Adam 或 SGD 更新權重與偏差值。
TensorFlow layer 文件把 layer 的 weights 分為 trainable 與 non-trainable 狀態（TensorFlow，存取日期：2026-08-27）。這表示不是所有 layer 狀態都一定會被梯度更新。
偏差值為什麼不是可有可無？
偏差值可以讓模型在所有輸入都為零時仍有可調整輸出。對分類或回歸模型來說，偏差值常能讓決策邊界更有彈性。
實務資訊增益：若某個 Dense 或 Conv2D 後面接 BatchNormalization，開發者有時會設定 `use_bias=False`。原因是 BatchNormalization 已經有可學習的位移參數 beta，重複 bias 的必要性降低。
如何在 Keras 查看權重與偏差值？
Keras 可以透過 layer 的 `get_weights()` 查看權重與偏差值。回傳清單通常依 layer 參數順序包含 kernel 與 bias。
```python
weights = model.layers[0].get_weights()
kernel = weights[0]
bias = weights[1]
print(kernel.shape)
print(bias.shape)
```
查看權重時重點不是人工修改每個數值，而是確認 shape 是否符合模型設計。shape 錯誤通常代表輸入維度或 layer 設定不如預期。
常見問題
權重和參數是同一個意思嗎？
權重是參數的一種。深度學習模型的參數通常包含權重、偏差值，以及部分 layer 的可學習縮放或位移參數。
偏差值一定會存在嗎？
偏差值不一定存在。Keras layer 可以透過 `use_bias=False` 關閉 bias，常見於後面接 BatchNormalization 的結構。
權重初始值重要嗎？
權重初始值很重要。合適初始化能讓梯度更穩定，不合適初始化可能造成訓練很慢或無法收斂。
權重越大代表特徵越重要嗎？
單看權重大小不能直接判定特徵重要性。輸入尺度、正規化方式、模型結構與非線性層都會影響解讀。
可以手動設定模型權重嗎？
Keras 可以用 `set_weights()` 手動設定權重。實務上通常只在載入預訓練權重、測試或模型遷移時這樣做。
參考資料
- TensorFlow，〈tf.keras.layers.Layer〉，存取日期：2026-08-27。
最後更新
2026-08-27
延伸閱讀
關於作者 {#author}
Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。
首次發布：2023-01-04