可视化Keras深度学习神经网络模型

原文链接：点击打开链接

摘要： 为了使开发者更好的理解其开发的神经网络模型，Keras Python深度学习库提供了可视化神经网络模型的工具。在本文中，作者通过一个小例子，详细的介绍可视化的过程和原因。

为了使开发者更好的理解其开发的神经网络模型，Keras Python深度学习库提供了可视化神经网络模型的工具。这对于产品演示和讲解是非常有用的

在本文，你会学到如何在Keras中总结和可视化深度学习模型。

读完本文后，你将知道：

如何创建你的深度学习模型的文本摘要。

如何构建你的深度学习模型的图形。

在Keras开发深度学习模型的最佳实践技巧。

教程概述：

本教程分为4个部分：

1.示例模型。

2.总结模型。

3.可视化模型。

4.最佳实践经验。

示例模型：

我们可以通过在Keras中定义一个简单的多层Perceptron的模型来开始，我们可以使用它作为切入点，进而进入可视化的主题。

我们将要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，一个带有一个二进制输出的输出层。

1	[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提供了一个总结模型的方法。

摘要是文本性的，包括以下信息：

1.模型中的图层和顺序。

2.每层的输出形状。

3.每层中的参数（权重）的数量。

4.模型中参数（权重）的总数。

网络模型的摘要生成可以通过调用模型上的summary（）函数来创建，该函数返回一个可以打印的字符串。

以下是更新后的示例，打印创建的网络模型的摘要。

运行此示例可以打印下表：

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())

我们可以清楚地看到每个图层的输出形状和权重数量。

_________________________________________________________________
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
_________________________________________________________________

可视化模型：

网络模型的摘要对于简单的模型是有用的，但对于具有多个输入或输出的模型可能会造成混淆。

Keras还提供了一个函数来创建神经网络模型的图，可以使更复杂的模型更容易理解。

在Keras中plot_model（）的功能是创建网络模型图的函数。使用这个函数你需要了解一些有用的参数：

1.model：（必填）你希望绘制的模型。

2.to_file：（必需）要将绘图保存到的文件的名称。

3.show_shapes :(可选，默认为False）是否显示每个图层的输出形状。

4.show_layer_names :(可选，默认为True）是否显示每个图层的名称。

下面是绘制创建模型的更新示例。

请注意，该示例假定你已经安装了graphviz图库和Python接口。（如果你想要使用该功能你可以去下载安装。）

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)

运行示例用创建的模型的图形创建文件model_plot.png：

实践经验：

我通常建议在Keras中创建一个神经网络模型的总结和图形。

我推荐这个有几个原因：

1.确认图层顺序。将顺序API错误地添加图层与功能性API错误地连接在一起这是很容易犯的错误。图形可以帮助你确认模型是否按照你的预期方式连接。

2.确认每个图层的输出形状。定义复杂网络（如卷积和递归神经网络）的输入数据的形状是很常见的。模型摘要和图形可以帮助你确认网络的输入形状是否符合你的要求。

3.确认参数。一些网络配置可以使用很少的参数，例如在编码器 - 解码器递归神经网络中使用TimeDistributed缠绕的密集层。查看摘要可以帮助发现使用比预期更多的参数的情况。

进一步阅读：

如果你想深入了解，你可以查看以下的链接。

1.模型可视化Keras API

2.Graphviz - 图形可视化软件

3.Graphviz简单的Python界面

作者信息

Dr. Jason Brownlee 是一名机器学习从业者，学术研究人员，致力于帮助开发人员从入门到精通机器学习。