我目前正在使用LSTM层训练一个用于天气预报的递归神经网络。网络本身非常简单,看起来大致如下:
model = Sequential()
model.add(LSTM(hidden_neurons, input_shape=(time_steps, feature_count), return_sequences=False))
model.add(Dense(feature_count))
model.add(Activation("linear"))
LSTM图层的权重确实具有以下形状:
for weight in model.get_weights(): # weights from Dense layer omitted
print(weight.shape)
> (feature_count, hidden_neurons)
> (hidden_neurons, hidden_neurons)
> (hidden_neurons,)
> (feature_count, hidden_neurons)
> (hidden_neurons, hidden_neurons)
> (hidden_neurons,)
> (feature_count, hidden_neurons)
> (hidden_neurons, hidden_neurons)
> (hidden_neurons,)
> (feature_count, hidden_neurons)
> (hidden_neurons, hidden_neurons)
> (hidden_neurons,)
简而言之,此LSTM图层中有四个“元素”。我现在想知道如何解释它们:
此代表中的time_steps
参数在哪里?它如何影响重量?
我读过LSTM由几个块组成,比如输入和遗忘门。如果那些在这些权重矩阵中表示,哪个矩阵属于哪个门?
有没有办法看到网络学到了什么?例如,从上一个时间步开始需要多少(t-1
,如果我们想要预测t
)和多少来自t-2
等?例如,知道我们是否可以从权重中读取输入t-5
完全不相关的内容将会很有趣。
非常感谢澄清和提示。
答案 0 :(得分:11)
如果您使用的是 Keras 2.2.0
打印时
print(model.layers[0].trainable_weights)
您应该看到三个张量:lstm_1/kernel, lstm_1/recurrent_kernel, lstm_1/bias:0
每个张量的维度之一应该是
4 *单位数量
其中 number_of_units 是您的神经元数量。试试:
units = int(int(model.layers[0].trainable_weights[0].shape[1])/4)
print("No units: ", units)
这是因为每个张量包含四个LSTM单位(按该顺序)的权重:
i(输入),f(忘记),c(单元格状态)和o(输出)
因此,为了提取权重,您可以简单地使用切片运算符:
W = model.layers[0].get_weights()[0]
U = model.layers[0].get_weights()[1]
b = model.layers[0].get_weights()[2]
W_i = W[:, :units]
W_f = W[:, units: units * 2]
W_c = W[:, units * 2: units * 3]
W_o = W[:, units * 3:]
U_i = U[:, :units]
U_f = U[:, units: units * 2]
U_c = U[:, units * 2: units * 3]
U_o = U[:, units * 3:]
b_i = b[:units]
b_f = b[units: units * 2]
b_c = b[units * 2: units * 3]
b_o = b[units * 3:]
来源:keras code
答案 1 :(得分:6)
我可能无法回答您的所有问题,但我可以做的是提供有关LSTM单元及其组成的不同组件的更多信息。
This post on github提出了一种在打印时查看参数名称的方法:
model = Sequential()
model.add(LSTM(4,input_dim=5,input_length=N,return_sequences=True))
for e in zip(model.layers[0].trainable_weights, model.layers[0].get_weights()):
print('Param %s:\n%s' % (e[0],e[1]))
输出如下:
Param lstm_3_W_i:
[[ 0.00069305, ...]]
Param lstm_3_U_i:
[[ 1.10000002, ...]]
Param lstm_3_b_i:
[ 0., ...]
Param lstm_3_W_c:
[[-1.38370085, ...]]
...
现在,您可以找到有关这些不同权重的更多信息here。 它们的名称W,U,V和b具有不同的索引。
[input_dim, output_dim]
。[output_dim, output_dim]
。[output_dim]
[output_dim, output_dim]
简而言之,你确实有4个不同的“块”(或内部层)。
忘记门:它根据先前的隐藏状态(h_ {t-1})和输入(x)决定哪个值从单元的先前内部状态中忘记(C_ {t- 1}):
f_t = sigmoid(W_f * x + U_f * h_ {t-1} + b_f)
f_t是介于0和1之间的值的向量,它将对前一个单元格状态中要保留的内容(= 1)和忘记内容(= 0)进行编码。
输入门:它根据先前的隐藏状态(h_ {t-1})和输入(x)决定从输入(x)使用哪些值:
i_t = sigmoid(W_i * x + U_i * h_ {t-1} + b_i)
i_t是介于0和1之间的值的向量,它将编码用于更新新单元状态的值。
候选值:我们使用输入(x)和先前隐藏状态(h_ {t-1})构建新的候选值以更新内部Cell状态:
Ct_t = tanh(W_c * x + U_c * h_ {t-1} + b_c)
Ct_t是一个包含更新Cell状态(C_ {t-1})的潜在值的向量。
我们使用这三个值来构建新的内部单元格状态(C_t):
C_t = f_t * C_ {t-1} + i_t * Ct_t
正如您所看到的,新的内部单元状态由两部分组成:我们从最后一个状态中忘记的部分,以及我们想要从输入中学习的部分。
输出门:我们不想输出单元状态,因为它可能被视为我们想要输出的抽象(h_t)。所以我们根据我们拥有的所有信息构建h_t,这一步的输出:
h_t = W_o * x + U_o * h_ {t-1} + V_o * C_t + b_o
我希望这可以澄清LSTM细胞的工作原理。我邀请您阅读有关LSTM的教程,因为它们使用了很好的模式,分步示例等等。这是一个相对复杂的层。
关于你的问题,我现在已经知道如何跟踪输入中使用的内容以修改状态。您最终可以查看不同的W矩阵,因为它们是处理输入的矩阵。 W_c将为您提供有关可能用于更新单元状态的信息。 W_o可能会给你一些关于用于产生输出的信息...但是所有这些都与其他权重相关,因为之前的状态也有影响。
如果你在W_c中看到一些强权重,它可能没有任何意义,因为输入门(i_t)可能会被完全关闭并且会更新单元状态......这很复杂,数学领域追溯神经网络中发生的事情是非常复杂的。
对于最常见的情况,神经网络实际上是黑盒子。你可以在文献中找到一些从输出到输入追溯信息的情况,但这是我读过的非常特殊的情况。
我希望这会有所帮助: - )