主要内容
可视化LSTM网络的激活
此示例显示如何通过提取激活来调查和可视化LSTM网络学习的功能。
加载净化网络。Japanesevowelsnet.是在日本元音数据集上培训的预磨削的LSTM网络，如[1]和[2]中所述。它训练在序列长度排序的序列中，含有迷你批量大小为27。
加载Japanesevowelsnet.
查看网络架构。
net.layers.
ANS = 5x1层阵列具有图层：1'SENDUNINPUT'序列输入序列输入序列输入12尺寸2'LSTM'LSTM LSTM LSTM LSTM为100个隐藏单元3'FC'完全连接的9完全连接的第4层SoftMax'SoftMax SoftMax SoftMax 5'ClassOutput'分类输出Crossentropyex与“1”和其他8个类
加载测试数据。
[xtest，ytest] =日本韦沃尔斯特迪塔
在绘图中可视化第一次序列。每行对应于特征。
x = xtest {1};图绘制（xtest {1}'）xlabel（“时间步骤”） 标题（“测试观察1”）numfeatures = size（xtest {1}，1）;传奇（“特征 ”+字符串（1：numfeatures），'地点'那“东北朝”）
对于序列的每个时间步骤，在该时间步骤中获取LSTM层（第2层）输出的激活并更新网络状态。
sequencelength = size（x，2）;idxlayer = 2;outputsize = net.layers（idxlayer）.numhidendents;为了i = 1：Sequencelength功能（：，i）=激活（net，x（：，i），idxlayer）;[net，ypred（i）] = classifyandupdatestate（net，x（：，i））;结尾
使用Heatmap可视化前10个隐藏单元。
图热图（特征（1:10，:)）;Xlabel（“时间步骤”）ylabel（“隐藏的单位”） 标题（“LSTM激活”）
Heatmap显示每个隐藏的单元激活强烈的强效，并突出显示激活如何随时间变化。
参考
[1] M. Kudo，J. Toyama和M. Shimbo。“使用过度区域的多维曲线分类。”模式识别字母。卷。20，第11-13页，第1103-1111页。
[2]UCI机器学习存储库：日语元音数据集。https://archive.ics.uci.edu/ml/datasets/japanese+vowels.
也可以看看
激活|Bilstmlayer.|lstmlayer.|sequenceInputlayer.|培训选项|Trainnetwork.
相关话题
您还可以从以下列表中选择一个网站：
