# 如何在 Keras 中可视化深度学习神经网络模型 > 原文： [https://machinelearningmastery.com/visualize-deep-learning-neural-network-model-keras/](https://machinelearningmastery.com/visualize-deep-learning-neural-network-model-keras/) Keras Python 深度学习库提供了可视化和更好地理解您的神经网络模型的工具。 在本教程中，您将发现如何在 Keras 中总结和可视化您的深度学习模型。 完成本教程后，您将了解： * 如何创建深度学习模型的文本摘要。 * 如何创建深度学习模型的图形图。 * 在 Keras 开发深度学习模型时的最佳实践技巧。 让我们开始吧。  如何在 Keras 中可视化深度学习神经网络模型 照片由 [Ed Dunens](https://www.flickr.com/photos/blachswan/14990404869/) ，保留一些权利。 ## 教程概述 本教程分为 4 个部分;他们是： 1. 示例模型 2. 总结模型 3. 可视化模型 4. 最佳实践技巧 ## 示例模型 我们可以从 Keras 中定义一个简单的多层感知器模型开始，我们可以将其用作摘要和可视化的主题。 我们将定义的模型有一个输入变量，一个带有两个神经元的隐藏层，以及一个带有一个二进制输出的输出层。 例如： ```py [1 input] -> [2 neurons] -> [1 output] ``` 下面提供了该网络的代码清单。 ```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')) ``` ## 总结模型 Keras 提供了一种总结模型的方法。 摘要是文本性的，包括以下信息： * 层和它们在模型中的顺序。 * 每层的输出形状。 * 每层中的参数（权重）数。 * 模型中的参数（权重）总数。 可以通过调用模型上的 _summary（）_ 函数来创建摘要，该函数返回可以打印的字符串。 下面是打印已创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()) ``` 运行此示例将打印下表。 ```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 _________________________________________________________________ ``` 我们可以清楚地看到每层的输出形状和权重数量。 ## 可视化模型 摘要对于简单模型很有用，但对于具有多个输入或输出的模型可能会造成混淆。 Keras 还提供了创建网络神经网络图的功能，可以使更复杂的模型更容易理解。 Keras 中的 _plot_model（）_ 功能将创建您的网络图。这个函数有一些有用的参数： * _ 型号 _ :(必填）您想要绘制的模型。 * _to_file_ :(必需）要保存绘图的文件的名称。 * _show_shapes_ :(可选，默认为 _False_ ）是否显示每个层的输出形状。 * _show_layer_names_ :(可选，默认为 _True_ ）是否显示每个层的名称。 下面是绘制创建模型的更新示例。 注意，该示例假设您已安装 [graphviz 图形库](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) ``` 运行该示例将创建文件 _model_plot.png_ ，其中包含已创建模型的图。  神经网络模型图的绘制 ## 最佳实践技巧 我通常建议始终在 Keras 中创建神经网络模型的摘要和图表。 我推荐这个有几个原因： * **确认层顺序**。使用顺序 API 以错误的顺序添加层或使用功能 API 错误地将它们连接在一起很容易。图表图可以帮助您确认模型是否按照您预期的方式连接。 * **确认每层的输出形状**。在定义复杂网络（如卷积和递归神经网络）的输入数据形状时，常常会遇到问题。摘要和图表可以帮助您确认网络的输入形状是否符合您的预期。 * **确认参数**。一些网络配置可以使用更少的参数，例如在编码器 - 解码器递归神经网络中使用 _TimeDistributed_ 包裹的密集层。查看摘要可以帮助发现使用远远超出预期的参数的情况。 ## 进一步阅读 如果您希望深入了解，本节将提供有关该主题的更多资源。 * [模型可视化 Keras API](https://keras.io/visualization/) * [Graphviz - 图形可视化软件](http://www.graphviz.org/) * [Graphviz 的简单 Python 接口](https://pypi.python.org/pypi/graphviz) ## 摘要 在本教程中，您了解了如何在 Keras 中总结和可视化您的深度学习模型。 具体来说，你学到了： * 如何创建深度学习模型的文本摘要。 * 如何创建深度学习模型的图形图。 * 在 Keras 开发深度学习模型时的最佳实践技巧。 你有任何问题吗？ 在下面的评论中提出您的问题，我会尽力回答。