在Keras中可视化LSTM

作者|Praneet Bomma
编译|VK
来源|https://towardsdatascience.com/visualising-lstm-activations-in-keras-b50206da96ff

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 " ".format(color, s)
    else:
        return "{} ".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