python – 基于功能API构建的模型的Keras可视化
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了python – 基于功能API构建的模型的Keras可视化,小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含1737字,纯文字阅读大概需要3分钟。
内容图文
我想询问是否有一种简单的方法可视化从Functional API构建的Keras模型?
现在,为我调试高级顺序模型的最佳方法是:
model = Sequential()
model.add(...
...
print(model.summary())
SVG(model_to_dot(model).create(prog='dot', format='svg'))
但是,如果我们构建一个更复杂的非顺序模型,我很难找到一种可视化Keras API的好方法.
解决方法:
是的,请尝试检查keras.utils,它具有方法plot_model(),如详细说明here所示.似乎您已熟悉keras.utils.vis_utils和model_to_dot方法,但这是另一种选择.它的用法类似于:
from keras.utils import plot_model
plot_model(model, to_file='model.png')
说实话,这是我用Keras唯一找到的最好的.像你一样使用model.summary()有时也很有用.我还希望有一些工具可以更好地可视化一个模型,甚至可以看到每层的权重,以决定最佳的网络结构和初始化(如果你知道一个,请告诉:]).
您目前拥有的最佳选择可能是在Tensorboard上可视化,您可以在Keras中使用TensorBoard Callback进行搜索.这使您可以直观地显示您的培训和感兴趣的指标,以及有关图层激活,偏见和内核等的一些信息.基本上,您必须在安装模型之前将此代码添加到您的程序中:
from keras.callbacks import TensorBoard
#indicate folder to save, plus other options
tensorboard = TensorBoard(log_dir='./logs/run1', histogram_freq=1,
write_graph=True, write_images=False)
#save it in your callback list, where you can include other callbacks
callbacks_list = [tensorboard]
#then pass to fit as callback, remember to use validation_data also
regressor.fit(X, Y, callbacks=callbacks_list, epochs=64,
validation_data=(X_test, Y_test), shuffle=True)
然后,您可以在终端上使用以下命令运行Tensorboard(在Web服务上本地运行):
tensorboard --logdir=/logs/run1
然后,这将指示您在哪个端口可视化您的培训.如果你有不同的运行,你可以传递–logdir = / logs,以便能够将它们一起可视化以进行比较.关于Tensorboard的使用当然有更多的选择,所以如果你考虑使用它,我建议你查看附带的链接.
内容总结
以上是互联网集市为您收集整理的python – 基于功能API构建的模型的Keras可视化全部内容,希望文章能够帮你解决python – 基于功能API构建的模型的Keras可视化所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。