有很多时候我们想要查看自己的网络结构和其中的参数,用以下方式解决
可以使用函数plot_model(model, to_file=‘Flatten.png’, show_shapes=True)打印出model的简略信息,从中就可以看出各层的输入输出shape。
那么需要安装什么库呢?
1,pip install pydot
2,pip install pydot-ng
3,去官网安装graphviz 。pip工具安装的不行哦,链接
选择msi版本 ,一路next就行,安装之后最好重启一下编译器。
附程序:
# from __future__ import print_function
import keras
from keras.datasets import cifar10
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation, Flatten
from keras.layers import Conv2D, MaxPooling2D
import os
from keras.utils.vis_utils import plot_model
batch_size = 128
num_classes = 10
epochs = 1
num_predictions = 20
save_dir = os.path.join(os.getcwd(), 'saved_models')
model_name = 'keras_cifar10_trained_model.h5'
# The data, split between train and test sets:
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
print('x_train shape:', x_train.shape)
print(x_train.shape[0], 'train samples')
print(x_test.shape[0], 'test samples')
# Convert class vectors to binary class matrices.
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)
model = Sequential()
model.add(Conv2D(32, (3, 3), padding='same',
input_shape=x_train.shape[1:]))
model.add(Activation('relu'))
model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))#strides: 整数,2 个整数表示的元组,或者是 None。 表示步长值。 如果是 None,那么默认值是 pool_size
model.add(Dropout(0.25))
model.add(Conv2D(64, (3, 3), padding='same'))
model.add(Activation('relu'))
model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
hi=model.add(Flatten())
plot_model(model, to_file='Flatten.png', show_shapes=True)
结果图
这里还可以看到各个层的输出哦,可以帮助我们理解神经网络。