Auto-Keras跑mnist数据集详解及最优结构可视化（亲测能运行）

之前试了很久，在成功安装完成最新的autokeras后，进行代码的调试，总是会出现这样或那样的错误，导致成功运行代码变得非常的困难。具体的困难程度可以在博客：Auto-Keras试水 感受一番。

主要原因是代码更新迭代的太快，许多代码的用法都发生了变化。基于此，这里新开一篇博客，贴出一个亲测能够成功训练、预测、储存并输出模型结构的代码。

---

训练&预测

（先改个默认路径）

import os
path = '/public/home/kanny/autokeras/'
os.chdir(path)

首先是进行训练以及预测，（注意，想要调用ImageClassifier，不能使用from autokeras.image_supervised import ImageClassifier，只能使用from autokeras.image.image_supervised import ImageClassifier或from autokeras import ImageClassifier）接着运行如下的代码。

from keras.datasets import mnist
# from autokeras.image.image_supervised import ImageClassifier
from autokeras import ImageClassifier

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train = x_train.reshape(x_train.shape + (1,))
x_test = x_test.reshape(x_test.shape + (1,))

clf = ImageClassifier(verbose=True)
clf.fit(x_train, y_train, time_limit=12 * 60 * 60)
clf.final_fit(x_train, y_train, x_test, y_test, retrain=True)
y = clf.evaluate(x_test, y_test)
print(y)

运行clf.fit时，会开始搜索相对最好的网络结构（一个一个model的训练），如下图所示：

clf.final_fit则是跑前面表现最好的一个模型进行重新的训练，再到最后利用clf.evaluate来评估在测试集上面的表现。

---

导出及载入模型

官网（Auto-Keras Getting Started）上说明了可以使用下述代码进行模型的导出及储存：

clf.load_searcher().load_best_model().produce_keras_model().save('my_model.h5')

然而发现会报错。

不过我们可以选用另一种方式，将最优的模型进行储存（model_file_name为.h5文件）：

from autokeras import ImageClassifier
clf.export_autokeras_model(model_file_name)

导入：

model = pickle_from_file(model_file_name)
results = model.evaluate(x_test, y_test)
print(results)

这种方法虽然不会报错，但读进来不能与keras相通，就是用keras那一套再进行接下来的操作。同时如果想看看模型的结构，这里也用不了model.summary()或者plot出来。

这时我们可以用下面的语句进行导出储存及导入：

真正好用的命令

储存：

clf.export_keras_model('my_model.h5')

导入：

from keras.models import load_model
model = load_model('my_model.h5') 

这个时候导入进来的model就完全是keras那种，之后想怎么用keras那套就怎么用，不要太开心。这时我们就能够使用model.summary()来看看我们的模型，以及进行模型结构的可视化了。

---

模型结构可视化

其实可视化的代码非常简单，只有下面的两行，但是想运行起来就不是那么容易了。

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

注意，这里有个大坑。如果你的电脑是个正常的电脑或服务器，一定会报错，提示你没有安装pydot与graphviz。当天真的以为安装完这两个库你就错了，会有如下提示：

`pydot` failed to call GraphViz.Please install GraphViz (https://www.graphviz.org/) and ensure that its executables are in the $PATH.

这时实际的问题是：执行plot_model需要graphviz的二进制文件。需要在graphviz官网下载默认版本的，并添加进环境变量即可运行。（可参考：keras模型可视化plot_model模块调用报错）

最后的最优的模型结构长下面这样，测试集准确率为99.31%。

---

写在最后

Auto-Keras好是好，也确实很方便，但一个mnist数据集在gpu服务器上还是跑了1天才出结果，速度还是太慢了一些，同时针对这么简单的数据集最后的网络结构也相对复杂，并且最后的结果还是比不上一些大牛们搭建出来的网络。

不过优点就是对一个深度学习小白，能够自动搭建一个还不错的网络结构，这个也非常不错。但做实际任务时，没办法直接用已知网络与权重做迁移学习，对新网络需要自己从头进行权重的训练，这部分也是非常耗时的。

所以具体的使用还是需要根据自己的项目，自己的需求来确定。

最后想起了网络上的一张图（侵删）：