Skip to content

Latest commit

 

History

History
157 lines (106 loc) · 5.73 KB

visualize-deep-learning-neural-network-model-keras.md

File metadata and controls

157 lines (106 loc) · 5.73 KB
Raw

如何在 Keras 中可视化深度学习神经网络模型

原文： https://machinelearningmastery.com/visualize-deep-learning-neural-network-model-keras/

Keras Python 深度学习库提供了可视化和更好地理解您的神经网络模型的工具。

在本教程中，您将发现如何在 Keras 中总结和可视化您的深度学习模型。

完成本教程后，您将了解：

  • 如何创建深度学习模型的文本摘要。
  • 如何创建深度学习模型的图形图。
  • 在 Keras 开发深度学习模型时的最佳实践技巧。

让我们开始吧。

How to Visualize a Deep Learning Neural Network Model in Keras

如何在 Keras 中可视化深度学习神经网络模型 照片由 Ed Dunens ，保留一些权利。

教程概述

本教程分为 4 个部分;他们是：

  1. 示例模型
  2. 总结模型
  3. 可视化模型
  4. 最佳实践技巧

示例模型

我们可以从 Keras 中定义一个简单的多层感知机模型开始，我们可以将其用作摘要和可视化的主题。

我们将定义的模型有一个输入变量，一个带有两个神经元的隐藏层，以及一个带有一个二进制输出的输出层。

例如：

[1 input] -> [2 neurons] -> [1 output]

下面提供了该网络的代码清单。

from keras.models import Sequential
from keras.layers import Dense
model = Sequential()
model.add(Dense(2, input_dim=1, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

总结模型

Keras 提供了一种总结模型的方法。

摘要是文本性的，包括以下信息：

  • 层和它们在模型中的顺序。
  • 每层的输出形状。
  • 每层中的参数（权重）数。
  • 模型中的参数（权重）总数。

可以通过调用模型上的summary()函数来创建摘要，该函数返回可以打印的字符串。

下面是打印已创建模型摘要的更新示例。

from keras.models import Sequential
from keras.layers import Dense
model = Sequential()
model.add(Dense(2, input_dim=1, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
print(model.summary())

运行此示例将打印下表。

_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
dense_1 (Dense)              (None, 2)                 4
_________________________________________________________________
dense_2 (Dense)              (None, 1)                 3
=================================================================
Total params: 7
Trainable params: 7
Non-trainable params: 0
_________________________________________________________________

我们可以清楚地看到每层的输出形状和权重数量。

可视化模型

摘要对于简单模型很有用，但对于具有多个输入或输出的模型可能会造成混淆。

Keras 还提供了创建网络神经网络图的功能，可以使更复杂的模型更容易理解。

Keras 中的plot_model()功能将创建您的网络图。这个函数有一些有用的参数：

  • _ 型号 _ :(必填）您想要绘制的模型。
  • to_file:(必需）要保存绘图的文件的名称。
  • show_shapes:(可选，默认为False）是否显示每个层的输出形状。
  • show_layer_names:(可选，默认为True）是否显示每个层的名称。

下面是绘制创建模型的更新示例。

注意，该示例假设您已安装 graphviz 图形库和 Python 接口。

from keras.models import Sequential
from keras.layers import Dense
from keras.utils.vis_utils import plot_model
model = Sequential()
model.add(Dense(2, input_dim=1, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
plot_model(model, to_file='model_plot.png', show_shapes=True, show_layer_names=True)

运行该示例将创建文件model_plot.png，其中包含已创建模型的图。

Plot of Neural Network Model Graph

神经网络模型图的绘制

最佳实践技巧

我通常建议始终在 Keras 中创建神经网络模型的摘要和图表。

我推荐这个有几个原因：

  • 确认层顺序。使用顺序 API 以错误的顺序添加层或使用功能 API 错误地将它们连接在一起很容易。图表图可以帮助您确认模型是否按照您预期的方式连接。
  • 确认每层的输出形状。在定义复杂网络（如卷积和递归神经网络）的输入数据形状时，常常会遇到问题。摘要和图表可以帮助您确认网络的输入形状是否符合您的预期。
  • 确认参数。一些网络配置可以使用更少的参数，例如在编解码器递归神经网络中使用TimeDistributed包裹的密集层。查看摘要可以帮助发现使用远远超出预期的参数的情况。

进一步阅读

如果您希望深入了解，本节将提供有关该主题的更多资源。

摘要

在本教程中，您了解了如何在 Keras 中总结和可视化您的深度学习模型。

具体来说，你学到了：

  • 如何创建深度学习模型的文本摘要。
  • 如何创建深度学习模型的图形图。
  • 在 Keras 开发深度学习模型时的最佳实践技巧。

你有任何问题吗？ 在下面的评论中提出您的问题，我会尽力回答。