关于深度学习:可视化深度学习模型架构的6个常用的方法总结

可视化有助于解释和了解深度学习模型的内部结构。通过模型计算图的可视化能够弄清楚神经网络是如何计算的，对于模型的可视化次要包含以下几个方面：

• 模型有多少层
• 每层的输出和输入形态
• 不同的层是如何连贯的？
• 每层应用的参数
• 应用了不同的激活函数

本文将应用 Keras 和 PyTorch 构建一个简略的深度学习模型，而后应用不同的工具和技术可视化其架构。

应用 Keras 构建模型

import keras

# Train the model on Fashion MNIST dataset
(train_images, train_labels), _ = keras.datasets.fashion_mnist.load_data()
train_images = train_images / 255.0

# Define the model.
model = keras.models.Sequential([keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(32, activation='relu'),
    keras.layers.Dropout(0.2),
    keras.layers.Dense(10, activation='softmax')
])

#Compile the model
model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy'])

Keras 内置可视化模型

在 Keras 中显示模型架构的最简略就是应用 summary()办法

model.summary()

这个办法是 keras 内置的实现，他的原理很简略。就是遍历所有模型层并打印相干细节，如层的输出维度和输入维度、参数数量、激活类型等，咱们也能够用 for 训练遍历实现，代码如下：

for layer in model.layers:
        print("Layer Name:" + layer.name)
        print("Type of layer:" + layer.__class__.__name__)
        print("Input dimesion: {}".format(layer.input_shape[1:]))
        print("Output dimesion: {}".format(layer.output_shape[1:]))
        print("Parameter Count: {}".format(layer.count_params()))
        try:
            print("Activation :" + layer.activation.__name__)
            print(" ")
        except:
            print(" ")

这种办法只能提供一些简略的信息，上面咱们介绍一些更好用的办法

Keras vis_utils

keras.utils.vis_utils 提供了应用 Graphviz 绘制 Keras 模型的实用函数。然而在应用之前须要装置一些其余的依赖：

pip install pydot
pip install pydotplus
pip install graphviz

应用 Graphviz，还须要在零碎 PATH 中增加 Graphviz bin 文件夹的门路，设置实现后就能够应用了

model_img_file = 'model.png'
tf.keras.utils.plot_model(model, to_file=model_img_file, 
                          show_shapes=True, 
                          show_layer_activations=True, 
                          show_dtype=True,
                          show_layer_names=True )

Visualkears

Visualkears 库只反对 CNN（卷积神经网络）的分层款式架构生成和大多数模型的图形款式架构，包含一般的前馈网络。

pip install visualkeras

layered view() 用于查看 CNN 模型架构

visualkeras.layered_view(model,legend=True, draw_volume=True)

TensorBoard

TensorBoard 的 Graphs 可查看模型结构图。对于 Tensorboard，应用如下的办法。

import tensorflow as tf
from datetime import datetime
import tensorboard

如果须要在 notebook 中应用，能够用上面的语句加载 Tensorboard 扩大

%load_ext tensorboard

在 fit() 中应用的 Keras Tensorboard Callback

# Define the Keras TensorBoard callback.
logdir="logs/fit/" + datetime.now().strftime("%Y%m%d-%H%M%S")
tensorboard_callback = keras.callbacks.TensorBoard(log_dir=logdir)

# Train the model.
model.fit(
    train_images,
    train_labels, 
    batch_size=64,
    epochs=5, 
    callbacks=[tensorboard_callback])
    
model.save("model.h5")

模型训练实现后，启动 TensorBoard 并期待 UI 加载。

%tensorboard --logdir logs

通过单击的“Graphs”就能够看到模型的可视化后果了。

Pytorch 1.8 当前中提供了 from torch.utils.tensorboard import SummaryWriter 也能够生成 tensorboard 的数据间接与 tensorboard 对接。

Netron

Netron 是专门为神经网络、深度学习和机器学习模型设计的查看器。它反对 Keras、TensorFlow lite、ONNX、Caffe，并对 PyTorch、TensorFlow 有实验性反对。

pip install netron

浏览器并输出 netron.app，请单击“关上模型”并抉择 h5 文件的门路上传。

就能够看到每一层的可视化后果了。

在 PyTorch 中构建一个简略的深度学习模型

import torch
from torch import nn
# Get cpu or gpu device for training.
device = "cuda" if torch.cuda.is_available() else "cpu"
print(f"Using {device} device")
class NeuralNetwork(nn.Module):
    def __init__(self):
        super(NeuralNetwork, self).__init__()
        self.flatten = nn.Flatten()
        self.linear_relu_stack = nn.Sequential(nn.Linear(28*28, 512),
            nn.ReLU(),
            nn.Linear(512, 512),
            nn.ReLU(),
            nn.Linear(512, 10),
        )def forward(self, x):
        x = self.flatten(x)
        logits = self.linear_relu_stack(x)
        return logits
pytorch_model = NeuralNetwork().to(device)
x = torch.randn(512, 28,28,1).requires_grad_(True)
y = pytorch_model(x)

查看模型架构最间接的办法是打印它。

print(pytorch_model)

尽管能够看到残缺的模型架构，然而成果还没有 Keras 的内置函数成果好，上面介绍一个很好用的库解决这个问题。

PyTorchViz

PyTorchViz 依赖于 graphviz，所以也须要装置：

pip install graphviz
pip install torchviz

应用 PyTorchViz 可视化模型非常简单，只须要一个办法即可：

from torchviz import make_dot
make_dot(y, params=dict(list(pytorch_model.named_parameters()))).render("torchviz", format="png")

下面的代码生成了一个 torchviz.png 文件，如下图。

总结

可视化模型架构能够更好的解释深度学习模型。模型构造可视化显示层数、每层数据的输出和输入形态、应用的激活函数以及每层中的参数数量，为优化模型提供更好的了解。

https://www.overfit.cn/post/dff81951b62d48f79ff4995c1eedbbb3

作者：Renu Khandelwal