可视化LSTM网络的激活
这个例子展示了如何调查和可视化功能学LSTM网络提取激活。
负载pretrained网络。JapaneseVowelsNet
日本元音是pretrained LSTM网络训练数据集描述在[1]和[2]。这是训练序列排序的序列长度与mini-batch 27的大小。
负载JapaneseVowelsNet
查看网络体系结构。
net.Layers
ans x1 = 5层阵列层:1“sequenceinput”序列输入序列输入12维度2的lstm lstm lstm 100隐藏单位3 fc的完全连接9完全连接层4的softmax softmax softmax 5 classoutput的分类输出crossentropyex ' 1 ', 8其他类
负载测试数据。
[XTest,欧美]= japaneseVowelsTestData;
可视化系列第一次在一个阴谋。每一行对应一个功能。
X = XTest {1};图绘制(XTest{1}”)包含(“时间步”)标题(“测试观察1”)numFeatures =大小(XTest {1}, 1);传奇(“特性”+字符串(1:numFeatures),“位置”,“northeastoutside”)
为每一个时间步的序列,得到激活输出LSTM层(第二层),时间步长和更新网络状态。
sequenceLength =大小(X, 2);idxLayer = 2;outputSize = net.Layers (idxLayer) .NumHiddenUnits;为i = 1: sequenceLength特性(:,我)=激活(净,X (:, i), idxLayer);(净YPred (i)] = classifyAndUpdateState(净,X (:, i));结束
可视化前10隐藏单位使用的热图。
图的热图(功能(1:10,:));包含(“时间步”)ylabel (“隐藏单位”)标题(“LSTM激活”)
热图显示强烈每个隐藏单元激活,突显出激活随时间变化。
引用
[1]m .奖赏,富山,和m . Shimbo。“多维曲线分类使用通过地区。”模式识别的字母。11 - 13号20卷,第1111 - 1103页。
[2]UCI机器学习库:日本元音数据集。https://archive.ics.uci.edu/ml/datasets/Japanese +元音
另请参阅
trainNetwork
|trainingOptions
|lstmLayer
|bilstmLayer
|sequenceInputLayer
|激活