用函数API建立模型的Keras可视化

Question

我想问一下，是否有一种简单的方法来可视化从Functional构建的Keras模型？

现在，对我来说，在高级别(顺序模型)进行调试的最佳方法是：

model = Sequential()
model.add(...
...

print(model.summary())
SVG(model_to_dot(model).create(prog='dot', format='svg'))

然而，如果我们构建一个更复杂、非顺序的模型，我很难找到一种可视化Keras的好方法。

Answer 1

是的，尝试检查keras.utils，它有一个方法plot_model()，正如在detail 这里上解释的那样。似乎您已经熟悉了keras.utils.vis_utils和model_to_dot方法，但这是另一种选择。它的用法类似于：

from keras.utils import plot_model
plot_model(model, to_file='model.png')

老实说，这是我所找到的仅使用Keras的最佳方法。像您所做的那样使用model.summary()有时也很有用。我还希望有一些工具能够更好地可视化一个人的模型，甚至能够看到每层的权重，以决定最佳的网络结构和初始化(如果你知道一个，请告诉:] )。

您目前拥有的最佳选择可能是在坦氏板上可视化，这是您在Keras中的一个包含TensorBoard回调的部分。这使您能够可视化您的培训和指标感兴趣，以及一些信息激活您的层，您的偏见和内核，等等。基本上，在拟合模型之前，您必须将这些代码添加到您的程序中：

from keras.callbacks import TensorBoard
#indicate folder to save, plus other options
tensorboard = TensorBoard(log_dir='./logs/run1', histogram_freq=1,
    write_graph=True, write_images=False)  

#save it in your callback list, where you can include other callbacks
callbacks_list = [tensorboard]
#then pass to fit as callback, remember to use validation_data also
regressor.fit(X, Y, callbacks=callbacks_list, epochs=64, 
    validation_data=(X_test, Y_test), shuffle=True)

然后，您可以使用终端上的以下命令运行Tensorboard (在the服务上本地运行)：

tensorboard --logdir=/logs/run1

然后，这将指示您在哪个端口可视化您的培训。如果您有不同的运行，您可以通过--logdir=/logs来将它们形象化，以便进行比较。当然，关于Tensorboard的使用还有更多的选项，所以我建议您检查包含的链接，如果您正在考虑使用它。

Answer 2

在谷歌和试验/错误之后..。原来，您必须将整个functional模型转换回“模型格式”。

model = some_model()
output_layer = _build_output()
finalmodel = Model(inputs=model.input, outputs=finalmodel)

然后，您可以运行finalmodel.summary()或任何用于顺序建模的绘图功能。

然而，这需要我猜仔细跟踪模型，我承认我没有这样做。

Answer 3

tf.keras.utils.plot_model(
model,
to_file="model.png",
show_shapes=False,
show_layer_names=True,
rankdir="TB",
expand_nested=False,
dpi=96,
)