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网络学习的特征。
加载预训练网络。日本世界新闻网是在[1]和[2]中所述的日语元音数据集上训练的预训练LSTM网络。它根据序列长度排序的序列进行训练，最小批量为27。
负载日本世界新闻网
查看网络架构。
net.Layers
ans=5x1带层的层阵列：1“sequenceinput”带12维的序列输入序列输入2“lstm”带100个隐藏单元的lstm lstm 3“fc”完全连接9个完全连接的层4“softmax”softmax 5“classoutput”带“1”和8个其他类的分类输出crossentropyex
加载测试数据。
[XTest，YTest]=日本世界统计数据；
可视化绘图中的第一个时间序列。每条线对应一个特征。
X=XTest{1}；图形绘图（XTest{1}'）xlabel(“时间步长”)头衔(“试验观察1”)numFeatures=size（XTest{1}，1）；传奇(“功能”+字符串（1:numFeatures），“位置”,“东北外”)
对于序列的每个时间步，获取LSTM层（第2层）为该时间步输出的激活，并更新网络状态。
sequenceLength=size（X，2）；idxLayer=2；outputSize=net.Layers（idxLayer）.NumHiddenUnits；对于i=1:sequenceLength功能（：，i）=激活（net，X（：，i），idxLayer）；[net，YPred（i）]=classifyAndUpdateState（net，X（：，i））；终止
使用热图可视化前10个隐藏单位。
地物热图（特征（1:10，：）；xlabel(“时间步长”)伊拉贝尔(“隐藏单位”)头衔(“LSTM激活”)
热图显示每个隐藏单元的激活强度，并突出显示激活如何随时间变化。
工具书类
[1] M.Kudo，J.Toyama和M.Shimbo.“使用通过区域的多维曲线分类。”模式识别字母第20卷，第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+元音
另见
相关话题
您还可以从以下列表中选择网站：
