Mac下使用Keras plot_model函数时出错的解决办法

环境:Mac

使用Keras绘图需要用到plot_model函数,正确用法如下:

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

但是却报错

keras ImportError: Failed to import pydot. You must install pydot and graphviz for `pydotprint` to work.

错误说pydot和graphviz没有安装,然后跑去用pip安装发现还是不行。后来在网上找了好多资料发现正确的做法应该是在系统上安装graphviz。究其原因就是之前pip安装的graphviz只是一个方便Python调用的接口库,实际上还是要从系统上安装一下,这里我用的homebrew安装。
正常安装完应该就可以运行了。

正确的操作步骤如下,每安装一个运行一遍测试代码,不报错就不用再往下装了。

1. brew install graphviz
2. pip install pydot
3. pip install graphviz
3. pip install pydot_ng
4. pip install pydotplus

测试代码,不报错就表示安装成功了

import pydot
pydot.Dot.create(pydot.Dot())

我这里是苹果的mac环境,windows也类似,需要安装EXE,有可能还需要graphviz加入到环境变量PATH中才行。

参考

https://stackoverflow.com/questions/27666846/pydot-invocationexception-graphvizs-executables-not-found

  • 4
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
如果不使用 `plot_model` 函数,可以使用 Keras 中的 `summary` 函数打印出模型结构。修改代码如下: ``` import numpy as np import matplotlib.pyplot as plt from keras.models import Sequential from keras.layers import Dense, Flatten, Conv1D, MaxPooling1D # 生成正弦函数数据 x = np.linspace(0, 100, 1000) y = np.sin(2*x+1) + 3 # 将数据转换为卷积神经网络需要的格式 X = np.zeros((len(x), 10)) for i in range(len(x)): for j in range(10): X[i][j] = y[(i+j)%len(x)] X = np.reshape(X, (X.shape[0], X.shape[1], 1)) # 构建卷积神经网络模型 model = Sequential() model.add(Conv1D(filters=32, kernel_size=3, activation='relu', input_shape=(10,1))) model.add(MaxPooling1D(pool_size=2)) model.add(Flatten()) model.add(Dense(100, activation='relu')) model.add(Dense(1, activation='linear')) # 打印模型结构 model.summary() # 编译模型 model.compile(loss='mse', optimizer='adam') # 训练模型并可视化损失函数 history = model.fit(X, y, epochs=100, batch_size=32, validation_split=0.2) loss = history.history['loss'] val_loss = history.history['val_loss'] epochs = range(1, len(loss)+1) plt.plot(epochs, loss, 'bo', label='Training loss') plt.plot(epochs, val_loss, 'b', label='Validation loss') plt.title('Training and validation loss') plt.xlabel('Epochs') plt.ylabel('Loss') plt.legend() plt.show() # 预测并可视化结果 y_pred = model.predict(X) plt.plot(x, y, label='true') plt.plot(x, y_pred, label='predict') plt.legend() plt.show() ``` 修改后的代码会打印出卷积神经网络模型的结构,包括每一层的输入形状、输出形状和参数数量等信息。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值