在Keras中可视化LSTM

2020 年 3 月 5 日
筆記

作者 | Praneet Bomma

编译 | VK

来源 | Towards Data Science

你是否想知道LSTM层学到了什么？有没有想过是否有可能看到每个单元如何对最终输出做出贡献。我很好奇，试图将其可视化。在满足我好奇的神经元的同时，我偶然发现了Andrej Karpathy的博客，名为“循环神经网络的不合理有效性”。如果你想获得更深入的解释，建议你浏览他的博客。

在本文中，我们不仅将在Keras中构建文本生成模型，还将可视化生成文本时某些单元格正在查看的内容。就像CNN一样，它学习图像的一般特征，例如水平和垂直边缘，线条，斑块等。类似，在“文本生成”中，LSTM则学习特征（例如空格，大写字母，标点符号等）。LSTM层学习每个单元中的特征。

我们将使用Lewis Carroll的《爱丽丝梦游仙境》一书作为训练数据。该模型体系结构将是一个简单的模型体系结构，在其末尾具有两个LSTM和Dropout层以及一个Dense层。

你可以在此处下载训练数据和训练好的模型权重

https://github.com/Praneet9/Visualising-LSTM-Activations

这就是我们激活单个单元格的样子。

让我们深入研究代码。

步骤1：导入所需的库

import numpy as np  from keras.models import Sequential  from keras.layers import Dense, Dropout, CuDNNLSTM  from keras.callbacks import ModelCheckpoint  from keras.utils import np_utils  import re    # 可视化库  from IPython.display import HTML as html_print  from IPython.display import display  import keras.backend as K

注意：我使用CuDNN-LSTM代替LSTM，因为它的训练速度提高了15倍。CuDNN-LSTM由CuDNN支持，只能在GPU上运行。

步骤2：读取训练资料并进行预处理

使用正则表达式，我们将使用单个空格删除多个空格。该char_to_int和int_to_char只是数字字符和字符数的映射。

# 读取数据  filename = "wonderland.txt"  raw_text = open(filename, 'r', encoding='utf-8').read()  raw_text = re.sub(r'[ ]+', ' ', raw_text)    # 创建字符到整数的映射  chars = sorted(list(set(raw_text)))  char_to_int = dict((c, i) for i, c in enumerate(chars))  int_to_char = dict((i, c) for i, c in enumerate(chars))    n_chars = len(raw_text)  n_vocab = len(chars)

步骤3：准备训练资料

准备我们的数据很重要，每个输入都是一个字符序列，而输出是后面的字符。

seq_length = 100  dataX = []  dataY = []    for i in range(0, n_chars - seq_length, 1):      seq_in = raw_text[i:i + seq_length]      seq_out = raw_text[i + seq_length]      dataX.append([char_to_int[char] for char in seq_in])      dataY.append(char_to_int[seq_out])    n_patterns = len(dataX)  print("Total Patterns: ", n_patterns)    X = np.reshape(dataX, (n_patterns, seq_length, 1))    # 标准化  X = X / float(n_vocab)    # one-hot编码  y = np_utils.to_categorical(dataY)    filepath="weights-improvement-{epoch:02d}-{loss:.4f}.hdf5"  checkpoint = ModelCheckpoint(filepath, monitor='loss', verbose=1, save_best_only=True, mode='min')  callbacks_list = [checkpoint]

步骤4：构建模型架构

# 定义 LSTM 模型  model = Sequential()    model.add(CuDNNLSTM(512, input_shape=(X.shape[1], X.shape[2]), return_sequences=True))  model.add(Dropout(0.5))    model.add(CuDNNLSTM(512))  model.add(Dropout(0.5))    model.add(Dense(y.shape[1], activation='softmax'))  model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])    model.summary()

步骤5：训练模型

model.fit(X, y, epochs=300, batch_size=2048, callbacks=callbacks_list)

使用Google Colab训练模型时，我无法一口气训练模型300个epoch。我必须通过缩减权重数量并再次加载它们来进行3天的训练，每天100个epoch

如果你拥有强大的GPU，则可以一次性训练300个epoch的模型。如果你不这样做，我建议你使用Colab，因为它是免费的。

你可以使用下面的代码加载模型，并从最后一点开始训练。

from keras.models import load_model    filename = "weights-improvement-303-0.2749_wonderland.hdf5"  model = load_model(filename)  model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])    # 用相同的数据训练模型  model.fit(X, y, epochs=300, batch_size=2048, callbacks=callbacks_list)

现在到文章最重要的部分-可视化LSTM激活。我们将需要一些功能来实际使这些可视化变得可理解。

步骤6：后端功能以获取中间层输出

正如我们在上面的步骤4中看到的那样，第一层和第三层是LSTM层。我们的目标是可视化第二LSTM层（即整个体系结构中的第三层）的输出。

Keras Backend帮助我们创建一个函数，该函数接受输入并为我们提供来自中间层的输出。我们可以使用它来创建我们自己的管道功能。这里attn_func将返回大小为512的隐藏状态向量。这将是具有512个单位的LSTM层的激活。我们可以可视化这些单元激活中的每一个，以了解它们试图解释的内容。为此，我们必须将其转换为可以表示其重要性的范围的数值。

#第三层是输出形状为LSTM层(Batch_Size, 512)  lstm = model.layers[2]    #从中间层获取输出以可视化激活  attn_func = K.function(inputs = [model.get_input_at(0), K.learning_phase()],             outputs = [lstm.output]            )

步骤7：辅助功能

这些助手功能将帮助我们使用每个激活值来可视化字符序列。我们正在通过sigmoid功能传递激活，因为我们需要一个可以表示其对整个输出重要性的规模值。get_clr功能有助于获得给定值的适当颜色。

#获取html元素  def cstr(s, color='black'):  	if s == ' ':  		return "<text style=color:#000;padding-left:10px;background-color:{}> </text>".format(color, s)  	else:  		return "<text style=color:#000;background-color:{}>{} </text>".format(color, s)    # 输出html  def print_color(t):  	display(html_print(''.join([cstr(ti, color=ci) for ti,ci in t])))    #选择合适的颜色  def get_clr(value):  	colors = ['#85c2e1', '#89c4e2', '#95cae5', '#99cce6', '#a1d0e8'  		'#b2d9ec', '#baddee', '#c2e1f0', '#eff7fb', '#f9e8e8',  		'#f9e8e8', '#f9d4d4', '#f9bdbd', '#f8a8a8', '#f68f8f',  		'#f47676', '#f45f5f', '#f34343', '#f33b3b', '#f42e2e']  	value = int((value * 100) / 5)  	return colors[value]    # sigmoid函数  def sigmoid(x):  	z = 1/(1 + np.exp(-x))  	return z

下图显示了如何用各自的颜色表示每个值。

步骤8：获取预测

get_predictions函数随机选择一个输入种子序列，并获得该种子序列的预测序列。visualize函数将预测序列，序列中每个字符的S形值以及要可视化的单元格编号作为输入。根据输出的值，将以适当的背景色打印字符。

将Sigmoid应用于图层输出后，值在0到1的范围内。数字越接近1，它的重要性就越高。如果该数字接近于0，则意味着不会以任何主要方式对最终预测做出贡献。这些单元格的重要性由颜色表示，其中蓝色表示较低的重要性，红色表示较高的重要性。

def visualize(output_values, result_list, cell_no):  	print("nCell Number:", cell_no, "n")  	text_colours = []  	for i in range(len(output_values)):  		text = (result_list[i], get_clr(output_values[i][cell_no]))  		text_colours.append(text)  	print_color(text_colours)    # 从随机序列中获得预测  def get_predictions(data):  	start = np.random.randint(0, len(data)-1)  	pattern = data[start]  	result_list, output_values = [], []  	print("Seed:")  	print(""" + ''.join([int_to_char[value] for value in pattern]) + """)  	print("nGenerated:")    	for i in range(1000):  		#为预测下一个字符而重塑输入数组  		x = np.reshape(pattern, (1, len(pattern), 1))  		x = x / float(n_vocab)    		# 预测  		prediction = model.predict(x, verbose=0)    		# LSTM激活函数  		output = attn_func([x])[0][0]  		output = sigmoid(output)  		output_values.append(output)    		# 预测字符  		index = np.argmax(prediction)  		result = int_to_char[index]    		# 为下一个字符准备输入  		seq_in = [int_to_char[value] for value in pattern]  		pattern.append(index)  		pattern = pattern[1:len(pattern)]    		# 保存生成的字符  		result_list.append(result)  	return output_values, result_list

步骤9：可视化激活

超过90%的单元未显示任何可理解的模式。我手动可视化了所有512个单元，并注意到其中的三个(189、435、463)显示了一些可以理解的模式。

  output_values, result_list = get_predictions(dataX)    for cell_no in [189, 435, 463]:  	visualize(output_values, result_list, cell_no)

单元格189将激活引号内的文本，如下所示。这表示单元格在预测时要查找的内容。如下所示，这个单元格对引号之间的文本贡献很大。

引用句中的几个单词后激活了单元格435。

对于每个单词中的第一个字符，将激活单元格463。

通过更多的训练或更多的数据可以进一步改善结果。这恰恰证明了深度学习毕竟不是一个完整的黑匣子。

你可以在我的Github个人资料中得到整个代码。

https://github.com/Praneet9/Visualising-LSTM-Activations