keras可视化介绍

keras可视化可以帮助我们直观的查看所搭建的模型拓扑结构，以及模型的训练的过程，方便我们优化模型。
模型可视化又分为模型拓扑结构可视化以及训练过程可视化。
以上一讲的mnist为例，演示不同可视化方法：
1 Netron 查看h5模型

参考《TFlite之格式解析》 Netron部分，Netron 是一款常见的可视化工具，支持网页查看常见的AI模型，支持非常丰富的格式（ONNX, Tensorflow, Pytorch, Keras, Caffe等），网页地址： https://netron.app/
将上一讲生成的keras_mnist.h5导入，得到模型结构，如下图：


2 keras的model.summary()方法

对于一些简单的模型，可以直接使用keras提供的model.summary()方法，如上一讲的mnist模型，代码中：
# 搭建好模型后，加上这一句
​
print("model:")
model.summary()输出模型如下：
model:
Model: "sequential"
_________________________________________________________________
Layer (type)                Output Shape              Param #
=================================================================
flatten (Flatten)           (None, 784)               0
​
dense (Dense)               (None, 784)               615440
​
dense_1 (Dense)             (None, 10)                7850
​
=================================================================
Total params: 623,290
Trainable params: 623,290
Non-trainable params: 0
_________________________________________________________________可见模型有一个flatten层，两个全连接层。
3 keras的graphviz功能

keras.utils.vis_utils模块提供了画出Keras模型的函数（利用graphviz）
import tensorflow as tf
import tensorflow.keras as keras
​
# 搭建好模型后，加上下一句
keras.utils.plot_model(model, to_file='model.svg', show_shapes=True)注意：我这里按照官网生成model.png会失败，寻找网上的解决方案也无法解决，只好换用svg格式，svg格式可以通过浏览器直接打开，但是可能显示不全，可以修改model.svg的参数解决，参照参考2：
# 要调节width、height参数，以及viewBox参数
​
<svg width="825pt" height="825pt"
viewBox="0.00 0.00 825.00 825.00"   # viewBox="x, y, width, height"浏览器解析，模型如下：


plot_model函数定义：
​
tf.keras.utils.plot_model(
    model,                       # keras model句柄
    to_file='model.png',         # 保存文件名及格式（这里使用svg格式）
    show_shapes=False,           # 是否显示形状信息，默认不显示
    show_layer_names=True,       # 显示layer名
    rankdir='TB',                # 横向显示(LR), 纵向显示(TB)
    expand_nested=False,         # 是否将嵌套模型扩展到聚类中
    dpi=96
)4 训练历史可视化

Keras Model 上的 fit() 方法返回一个 History 对象。History.history 是一个记录了连续迭代的训练/验证损失值和评估值的字典。可以通过matplotlib将数据展示出来（这里就不使用matplotlib画图了，将数据打印出来）：
# 截取部分代码如下：
​
import tensorflow as tf
import tensorflow.keras as keras
​
# step4: train
history = model.fit(x_train, y_train, batch_size=64, epochs=5)
​
# 打印history字典中的keys值
print(history.history.keys())
# 获取验证准确率数据
print(history.history['accuracy'])
# 获取训练时的损失值
print(history.history['loss'])执行结果为：
dict_keys(['loss', 'accuracy'])
[0.9143333435058594, 0.9519500136375427, 0.9597333073616028, 0.9615499973297119, 0.9619333148002625]
[3.5814223289489746, 0.38597372174263, 0.26168128848075867, 0.23524414002895355, 0.24421487748622894]5 训练过程的可视化：keras + Tensorboard

Tensorboard提供训练过程可视化的功能，是通过keras的回调函数来实现的。
# 截取部分代码如下：
​
import tensorflow as tf
import tensorflow.keras as keras
from keras.callbacks import TensorBoard
​
tbCallBack = TensorBoard() # 默认日志放到./logs 文件夹下
history = model.fit(x_train, y_train, batch_size=64, epochs=5, callbacks=[tbCallBack])
通过shell下执行如下命令，然后使用浏览器可打开tensorboard面板：
tensorboard --logdir /path/to/logsTensorboard 功能强大，对tensorflow、keras、还是pytorch都提供良好支持，这里先不做展开，可以参考3。