Keras 模型可视化

model.summary()可以查看基本情况
Sequential使用summary()基本没问题，但是模型如果复杂多变，summary方法无法表示模型的空间结构
介绍Kera的keras.utils.plot_model方法，优点在于：
- 显示模型空间结构
- 可保存为图片

安装需要的环境

pyplot-ng
- pip install pyplot-ng
graphviz
- 本机是Centos，用 yum install graphviz
- Ubuntu，应该是 apt-get install graphviz

示例

build_model建立一个Seq2Seq（相当复杂的模型）
使用plot_model生成模型结构的图片，结构清楚，很棒
summary方法完全看不出模型的空间结构

import random
import numpy as npfrom keras import layers
from keras.layers import Input, Embedding, Bidirectional, Dense, Concatenate, LSTM
from keras.models import Model, load_model
from keras.utils import plot_modeldef build_model():rnn = layers.LSTMnum_encoder_tokens = 20num_decoder_tokens = 100encoder_embedding_dim = 20decoder_embedding_dim = 100latent_dim = 256# Encoder# encoder inputsencoder_inputs = Input(shape=(None,), name='encoder_inputs')# encoder embeddingencoder_embedding = Embedding(num_encoder_tokens, encoder_embedding_dim,name='encoder_embedding')(encoder_inputs)# encoder lstmbidi_encoder_lstm = Bidirectional(rnn(latent_dim, return_state=True, dropout=0.2,recurrent_dropout=0.5), name='encoder_lstm')_, forward_h, forward_c, backward_h, backward_c = bidi_encoder_lstm(encoder_embedding)state_h = Concatenate()([forward_h, backward_h])state_c = Concatenate()([forward_c, backward_c])encoder_states = [state_h, state_c]# Decoder# decoder inputsdecoder_inputs = Input(shape=(None,), name='decoder_inputs')# decoder embedddingdecoder_embedding = Embedding(num_decoder_tokens, decoder_embedding_dim, name='decoder_embedding')(decoder_inputs)# decoder lstm, number of units is 2*latent_dim# NOTE THIS : latent_dim*2 for matching encoder_statesdecoder_lstm = rnn(latent_dim*2, return_state=True, return_sequences=True, dropout=0.2,recurrent_dropout=0.5, name='decoder_lstm')# get outputs and decoder statesrnn_outputs, *decoder_states = decoder_lstm(decoder_embedding, initial_state=encoder_states)# decoder densedecoder_dense = Dense(num_decoder_tokens, activation='softmax', name='decoder_dense')decoder_outputs = decoder_dense(rnn_outputs)bidi_encoder_model = Model([encoder_inputs,decoder_inputs], [decoder_outputs])bidi_encoder_model.compile(optimizer='adam', loss='categorical_crossentropy')return bidi_encoder_model

model = build_model()plot_model(model, to_file='seq2seq_model.png', show_shapes=True)

model.summary()

__________________________________________________________________________________________________
Layer (type)                    Output Shape         Param #     Connected to
==================================================================================================
encoder_inputs (InputLayer)     (None, None)         0
__________________________________________________________________________________________________
encoder_embedding (Embedding)   (None, None, 20)     400         encoder_inputs[0][0]
__________________________________________________________________________________________________
decoder_inputs (InputLayer)     (None, None)         0
__________________________________________________________________________________________________
encoder_lstm (Bidirectional)    [(None, 512), (None, 567296      encoder_embedding[0][0]
__________________________________________________________________________________________________
decoder_embedding (Embedding)   (None, None, 100)    10000       decoder_inputs[0][0]
__________________________________________________________________________________________________
concatenate_1 (Concatenate)     (None, 512)          0           encoder_lstm[0][1]               encoder_lstm[0][3]
__________________________________________________________________________________________________
concatenate_2 (Concatenate)     (None, 512)          0           encoder_lstm[0][2]               encoder_lstm[0][4]
__________________________________________________________________________________________________
decoder_lstm (LSTM)             [(None, None, 512),  1255424     decoder_embedding[0][0]          concatenate_1[0][0]              concatenate_2[0][0]
__________________________________________________________________________________________________
decoder_dense (Dense)           (None, None, 100)    51300       decoder_lstm[0][0]
==================================================================================================
Total params: 1,884,420
Trainable params: 1,884,420
Non-trainable params: 0
__________________________________________________________________________________________________

Keras-10 模型可视化相关推荐

Keras与Tensorflow2.0入门（6）模型可视化与tensorboard的使用
文章目录 1. 前言 1.1 Plot_model 1.2 History 1.3 自定义评估函数 PRF值的计算方法 AUC的计算方法 2. tensorboard 2.1 tensorboard是 ...
tensorboard的可视化及模型可视化
待整理 How to Check-Point Deep Learning Models in Keras LossWise Tensorboard 中文社区谷歌发布TensorBoard API,让 ...
python模型保存save_浅谈keras保存模型中的save()和save_weights()区别
今天做了一个关于keras保存模型的实验,希望有助于大家了解keras保存模型的区别. 我们知道keras的模型一般保存为后缀名为h5的文件,比如final_model.h5.同样是h5文件用save ...
基于变分自动编码器（Variational Autoencoders）进行推荐系统的实施、Keras实现并可视化训练和验证误差、最后给出topK准确率和召回率
基于变分自动编码器(Variational Autoencoders)进行推荐系统的实施.Keras实现并可视化训练和验证误差.最后给出topK准确率和召回率本著作改编自Dawen等人用于协同过滤目 ...
keras和tensorflow使用 keras.callbacks.TensorBoard 可视化数据
此文首发于我的个人博客:keras和tensorflow使用 keras.callbacks.TensorBoard 可视化数据 - zhang0peter的个人博客 TensorBoard 是一个非 ...
Tensorboard—使用keras结合Tensorboard可视化
1. keras如何使用tensorboard keras使用tensorboard是通过回调函数来实现的,关于什么是keras的"回调函数",这里就不再赘述了,所以Tensorb ...
关于DPM(Deformable Part Model)算法中模型可视化的解释
搭建了自己的博客平台,本文地址:http://masikkk.com/blog/DPM-model-visualization/ DPM源代码(voc-release)中的模型可视化做的还算相当炫酷的 ...
C++中用frugally-deep调用keras的模型并进行预测
1.背景 Python语言中的Keras库搭建深度学习模型非常便捷,但有时需要在 C++ 中调用训练好的模型,得到测试集的结果.比如将模型部署于FPGA,中间的一个步骤则需要用C++构建模型.但 Ke ...
keras提取模型中的某一层_Tensorflow笔记：高级封装——Keras
前言之前在<Tensorflow笔记:高级封装--tf.Estimator>中介绍了Tensorflow的一种高级封装,本文介绍另一种高级封装Keras.Keras的特点就是两个字--简 ...

Keras-10 模型可视化

Keras 模型可视化

安装需要的环境

示例

Keras-10 模型可视化相关推荐

最新文章

热门文章