Fatal编程技术网
  • keras/
  • 在Keras中显示模型布局/设计（带所有连接）

在Keras中显示模型布局/设计（带所有连接）

keras

在Keras中显示模型布局/设计（带所有连接）,keras,visualization,lstm,recurrent-neural-network,machine-learning-model,Keras,Visualization,Lstm,Recurrent Neural Network,Machine Learning Model,当我在训练Keras LSTM模型后对其进行测试时，与从.h5文件加载该训练模型时相比，我有很大的不同（第一个模型的精度始终>0.85，但后一个模型的精度始终低于

当我在训练Keras LSTM模型后对其进行测试时，与从
.h5
文件加载该训练模型时相比，我有很大的不同（第一个模型的精度始终>0.85，但后一个模型的精度始终低于<0.2，即随机猜测）

然而，我检查了权重，它们是相同的，而且Keras通过
plot\u model
提供给我的稀疏布局也是相同的，但由于这仅检索粗略的概述：

是否可以显示Keras模型的完整布局（尤其是节点连接）？

如果您使用的是tensorflow后端，除此之外，还可以使用回调在tensorboard中可视化整个图形。例如：

callback=keras.callbacks.TensorBoard（log_dir='./graph'，
直方图_freq=0，
write_graph=True，
write_images=True）
model.fit（…，回调=[callback]）
然后从同一目录运行
tensorboard--logdir./graph

这是一条快速的捷径，但你可以走得更远。 例如，添加tensorflow代码以定义（加载）自定义
tf.Graph
实例中的模型，如下所示：

从keras.layers导入LSTM
导入tensorflow作为tf
my_graph=tf.graph（）
使用我的\u图。作为\u默认值（）：
#LSTM层中的所有ops/变量都是作为图形的一部分创建的
x=tf.placeholder（tf.float32，shape=（无，20，64））
y=LSTM（32）（x）
。。之后，您可以等等来比较模型

我个人认为，最简单的方法是设置自己的会话。它在所有情况下都能工作，只需最少的修补：

将tensorflow导入为tf
从keras导入后端为K
sess=tf.Session（）
K.SETU会话（sess）
...
#现在可以评估/访问此会话中的任何节点，例如`sess.graph`