我正在学习手写体文本识别教程。为了进行手写体数字识别,作者构造了一个Keras模型如下:
# # Creating CNN model
input_shape = (28,28,1)
number_of_classes = 10
model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),activation='relu',input_shape=input_shape))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPool2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(number_of_classes, activation='softmax'))
model.compile(loss=keras.losses.categorical_crossentropy,
optimizer=keras.optimizers.Adadelta(),metrics=['accuracy'])
model.summary()
history = model.fit(X_train, y_train,epochs=5, shuffle=True,
batch_size = 200,validation_data= (X_test, y_test))
model.save('digit_classifier2.h5')源(这里)
我很困惑作者是如何选择这些层次的。我知道Conv2D是如何通过对图像应用过滤器来工作的,我知道什么是activation function。总之,我对每个术语的含义都有大致的理解。
我发现困难的是如何知道这段代码的每一步都发生了什么?例如,让我们使用以下python代码:
values_List=[11,34,43]
for index, num in enumerate(values_List):
print(index,num)这个python代码很容易理解和调试。但我感到困惑的是,在角化层中是否有任何错误。如何继续调试这个Keras代码?如何在Keras代码中的每个步骤上看到输出?
发布于 2019-11-08 07:01:34
简而言之,您无法在Keras中轻松地进行调试,因为它是为使用预定义层和函数的更快、更容易实现神经网络体系结构而创建的高级API --在这些层或函数中出错的可能性较小,因为它经过了良好的测试。
如果您想要对您进行更细粒度的控制,您需要在诸如Tensorflow v1这样的低级别API中实现,或者使用tf.GradientTape与TensorFlow v2中的tf-keras一起查看每一步的梯度。
您也可以尝试微软的Tensorwatch来加深对您的模型- https://github.com/microsoft/tensorwatch的了解。
https://stackoverflow.com/questions/58761754
复制相似问题