LSTM可视化激活酶
Este ejemplo muestra cómo调查可视化las características aprendidas por las redes de LSTM外ayendo las activaciones。
Cargue una red preentrenada。JapaneseVowelsNet
日本之声,日本之声,日本之声,日本之声,日本之声,日本之声,日本之声Se ha entrenado con las secuenciciasordenadas por su longitude con un tamaño de minilote de 27。
负载JapaneseVowelsNet
红色建筑视觉。
网层
ans = 5x1层数组与层:1' sequenceinput'序列输入序列输入与12维2 'lstm' lstm lstm与100个隐藏单元3 'fc'全连接9全连接层4 'softmax' softmax softmax 5 'classoutput'分类输出crossentropyex与'1'和8个其他类
货物与法律的关系。
[XTest,YTest] =日本evowelstestdata;
天上时间的初值视觉gráfica。Cada línea se correspondence de con una característica。
X = XTest{1};图(XTest{1}')“时间步”)标题(“试验观察1”) numFeatures = size(XTest{1},1);传奇(“特性”+字符串(1:numFeatures),“位置”,“northeastoutside”)
在安全时间上的统一,在生产活动上的统一在实际时间上的统一在实际时间上的统一在红色的国家。
sequenceLength = size(X,2);idxLayer = 2;outputSize = net.Layers(idxLayer).NumHiddenUnits;为i = 1:sequenceLength features(:,i) =激活(net,X(:,i),idxLayer);[net, YPred(i)] = classifyAndUpdateState(net,X(:,i));结束
视觉,初值,初值,中值,中值。
图的热图(功能(1:10,:));包含(“时间步”) ylabel (“隐藏单位”)标题(“LSTM激活”)
El mapa de calor muestra la intensidad con la que se activa cada unidad oculta y destaca cómo形成层,形成层,activvaciones lo largo del timempo。
Referencias
[1]工藤M.,富山J.,辛波M.。“使用穿过区域的多维曲线分类”模式识别信.第20卷,11-13号,第1103-1111页。
[2]UCI机器学习库:日语元音数据集.https://archive.ics.uci.edu/ml/datasets/Japanese+Vowels
Consulte也
trainNetwork
|trainingOptions
|lstmLayer
|bilstmLayer
|sequenceInputLayer
|激活