我向您道歉的时间比平时长,但是对于该问题来说很重要:
我最近被分配从事一个现有项目的工作,该项目使用Keras + Tensorflow创建了全连接网。
总体而言,该模型具有3个具有500个神经元的完全连接层,并具有2个输出类别。第一层有500个神经元,它们连接到82个输入要素。该模型用于生产中,并使用来自外部资源的本周信息每周进行重新训练。
设计模型的工程师在这里不再工作,我正试图进行反向工程并了解模型的行为。
我为自己定义的目标是:
为了尝试同时回答这两个问题,我实施了一个实验,在该实验中,我使用两种模型来提供代码:一种来自上周,另一种来自本周:
import pickle
import numpy as np
import matplotlib.pyplot as plt
from keras.models import model_from_json
path1 = 'C:/Model/20190114/'
path2 = 'C:/Model/20190107/'
model_name1 = '0_10.1'
model_name2 = '0_10.2'
models = [path1 + model_name1, path2 + model_name2]
features_cum_weight = {}
然后我采用每个要素,并尝试将所有权重(其绝对值)求和,以将其连接到第一个隐藏层。 这样,我创建了两个具有82个值的向量:
for model_name in models:
structure_filename = model_name + "_structure.json"
weights_filename = model_name + "_weights.h5"
with open(structure_filename, 'r') as model_json:
model = model_from_json(model_json.read())
model.load_weights(weights_filename)
in_layer_weights = model.layers[0].get_weights()[0]
in_layer_weights = abs(in_layer_weights)
features_cum_weight[model_name] = in_layer_weights.sum(axis=1)
然后我使用MatplotLib绘制它们:
# Plot the Evolvement of Input Neuron Weights:
keys = list(features_cum_weight.keys())
weights_1 = features_cum_weight[keys[0]]
weights_2 = features_cum_weight[keys[1]]
fig, ax = plt.subplots(nrows=2, ncols=2)
width = 0.35 # the width of the bars
n_plots = 4
batch = int(np.ceil(len(weights_1)/n_plots))
for i in range(n_plots):
start = i*(batch+1)
stop = min(len(weights_1), start + batch + 1)
cur_w1 = weights_1[start:stop]
cur_w2 = weights_2[start:stop]
ind = np.arange(len(cur_w1))
cur_ax = ax[i//2][i%2]
cur_ax.bar(ind - width/2, cur_w1, width, color='SkyBlue', label='Current Model')
cur_ax.bar(ind + width/2, cur_w2, width, color='IndianRed', label='Previous Model')
cur_ax.set_ylabel('Sum of Weights')
cur_ax.set_title('Sum of all weights connected by feature')
cur_ax.set_xticks(ind)
cur_ax.legend()
cur_ax.set_ylim(0, 30)
plt.show()
结果如下图:
然后我尝试比较要推论的向量:
我希望您对以下内容发表意见和见解:
谢谢大家,我欢迎任何建议和批评!
答案 0 :(得分:0)
这种推论并不完全正确。特征之间的组合不是线性的。的确,严格地说,如果为0并不重要,但是可能是以另一种方式在另一个深层将其重新组合。
如果模型是线性的,那将是正确的。实际上,这就是PCA分析的工作方式,它通过协方差矩阵搜索线性关系。特征值将指示每个功能的重要性。
我认为有几种方法可以证实您的怀疑:
消除您认为不重要的功能,以便再次训练并查看结果。如果相似,则您的怀疑是正确的。
应用当前模型,以一个示例(我们称其为枢轴)为例,以评估并显着更改您认为不相关的功能并创建许多示例。这适用于几个枢轴。如果结果相似,则该字段无关紧要。示例(我认为第一个功能不相关):
assets/images/logo-sticky.png