# 如何在 Keras 中可視化深度學習神經網絡模型 > 原文： [https://machinelearningmastery.com/visualize-deep-learning-neural-network-model-keras/](https://machinelearningmastery.com/visualize-deep-learning-neural-network-model-keras/) Keras Python 深度學習庫提供了可視化和更好地理解您的神經網絡模型的工具。 在本教程中，您將發現如何在 Keras 中總結和可視化您的深度學習模型。 完成本教程后，您將了解： * 如何創建深度學習模型的文本摘要。 * 如何創建深度學習模型的圖形圖。 * 在 Keras 開發深度學習模型時的最佳實踐技巧。 讓我們開始吧。  如何在 Keras 中可視化深度學習神經網絡模型 照片由 [Ed Dunens](https://www.flickr.com/photos/blachswan/14990404869/) ，保留一些權利。 ## 教程概述 本教程分為 4 個部分;他們是： 1. 示例模型 2. 總結模型 3. 可視化模型 4. 最佳實踐技巧 ## 示例模型 我們可以從 Keras 中定義一個簡單的多層感知器模型開始，我們可以將其用作摘要和可視化的主題。 我們將定義的模型有一個輸入變量，一個帶有兩個神經元的隱藏層，以及一個帶有一個二進制輸出的輸出層。 例如： ```py [1 input] -> [2 neurons] -> [1 output] ``` 下面提供了該網絡的代碼清單。 ```py 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')) ``` ## 總結模型 Keras 提供了一種總結模型的方法。 摘要是文本性的，包括以下信息： * 層和它們在模型中的順序。 * 每層的輸出形狀。 * 每層中的參數（權重）數。 * 模型中的參數（權重）總數。 可以通過調用模型上的 _summary（）_ 函數來創建摘要，該函數返回可以打印的字符串。 下面是打印已創建模型摘要的更新示例。 ```py 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()) ``` 運行此示例將打印下表。 ```py _________________________________________________________________ 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 _________________________________________________________________ ``` 我們可以清楚地看到每層的輸出形狀和權重數量。 ## 可視化模型 摘要對于簡單模型很有用，但對于具有多個輸入或輸出的模型可能會造成混淆。 Keras 還提供了創建網絡神經網絡圖的功能，可以使更復雜的模型更容易理解。 Keras 中的 _plot_model（）_ 功能將創建您的網絡圖。這個函數有一些有用的參數： * _ 型號 _ :(必填）您想要繪制的模型。 * _to_file_ :(必需）要保存繪圖的文件的名稱。 * _show_shapes_ :(可選，默認為 _False_ ）是否顯示每個層的輸出形狀。 * _show_layer_names_ :(可選，默認為 _True_ ）是否顯示每個層的名稱。 下面是繪制創建模型的更新示例。 注意，該示例假設您已安裝 [graphviz 圖形庫](http://www.graphviz.org/)和 [Python 接口](https://pypi.python.org/pypi/graphviz)。 ```py 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) ``` 運行該示例將創建文件 _model_plot.png_ ，其中包含已創建模型的圖。  神經網絡模型圖的繪制 ## 最佳實踐技巧 我通常建議始終在 Keras 中創建神經網絡模型的摘要和圖表。 我推薦這個有幾個原因： * **確認層順序**。使用順序 API 以錯誤的順序添加層或使用功能 API 錯誤地將它們連接在一起很容易。圖表圖可以幫助您確認模型是否按照您預期的方式連接。 * **確認每層的輸出形狀**。在定義復雜網絡（如卷積和遞歸神經網絡）的輸入數據形狀時，常常會遇到問題。摘要和圖表可以幫助您確認網絡的輸入形狀是否符合您的預期。 * **確認參數**。一些網絡配置可以使用更少的參數，例如在編碼器 - 解碼器遞歸神經網絡中使用 _TimeDistributed_ 包裹的密集層。查看摘要可以幫助發現使用遠遠超出預期的參數的情況。 ## 進一步閱讀 如果您希望深入了解，本節將提供有關該主題的更多資源。 * [模型可視化 Keras API](https://keras.io/visualization/) * [Graphviz - 圖形可視化軟件](http://www.graphviz.org/) * [Graphviz 的簡單 Python 接口](https://pypi.python.org/pypi/graphviz) ## 摘要 在本教程中，您了解了如何在 Keras 中總結和可視化您的深度學習模型。 具體來說，你學到了： * 如何創建深度學習模型的文本摘要。 * 如何創建深度學習模型的圖形圖。 * 在 Keras 開發深度學習模型時的最佳實踐技巧。 你有任何問題嗎？ 在下面的評論中提出您的問題，我會盡力回答。