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。

Consulte也

trainNetwork|trainingOptions|lstmLayer|bilstmLayer|sequenceInputLayer|激活

特马relacionados

• Pronóstico de series de tiempo mediante深度学习
• Clasificación secuencia一个secuencia中间深度学习
• Regresión de secuencia一个secuencia中间深度学习
• 使用深度学习的序列对一回归
• corto-largo广场
• MATLAB深度学习