keras自帶的函式

利用keras.utils.vis_utils模塊，需要下載并配置graphviz，不會配置的可以去搜，其中plot_model 有 4 個可選引數:

• show_shapes (默認為 False) 控制是否在圖中輸出各層的尺寸，
• show_layer_names (默認為 True) 控制是否在圖中顯示每一層的名字，
• expand_dim（默認為 False）控制是否將嵌套模型擴展為圖形中的聚類，
• dpi（默認為 96）控制影像 dpi，

以自己的模型為例，下述是一個名為simple_CNN的神經網路模型，在pycharm中新建一個model.py檔案，復制以下代碼，然后運行該.py檔案，即會生成一個模型圖片示意圖，

from keras.layers import Activation, Conv2D, Dropout, Dense, Flatten
from keras.layers import ReLU
from keras.layers import AveragePooling2D, BatchNormalization
from keras.models import Sequential
# 引入模型可視化的依賴檔案
from keras.utils import plot_model


def simple_CNN(input_shape, num_classes):

    model = Sequential()

    model.add(Conv2D(16, (7, 7), padding='same',input_shape=input_shape))
    model.add(ReLU())
    model.add(BatchNormalization())
    model.add(AveragePooling2D(pool_size=(5, 5),strides=(2, 2), padding='same'))
    model.add(Dropout(.5))

    model.add(Conv2D(32, (5, 5), padding='same'))
    model.add(ReLU())
    model.add(BatchNormalization())
    model.add(AveragePooling2D(pool_size=(3, 3),strides=(2, 2), padding='same'))
    model.add(Dropout(.5))

    model.add(Conv2D(32, (3, 3), padding='same'))
    model.add(ReLU())
    model.add(BatchNormalization())
    model.add(AveragePooling2D(pool_size=(3, 3),strides=(2, 2), padding='same'))
    model.add(Dropout(.5))

    # Flatten層用來將輸入“壓平”，即把多維的輸入一維化，常用在從卷積層到全連接層的過渡
    model.add(Flatten())
    # Dense表示全連接層
    model.add(Dense(1028))
    model.add(ReLU())
    model.add(Dropout(0.5))
    model.add(Dense(1028))
    model.add(ReLU())
    model.add(Dropout(0.5))
    model.add(Dense(num_classes))
    model.add(Activation('softmax'))

    return model


if __name__ == "__main__":
    input_shape = (64, 64, 1)
    num_classes = 7

    model = simple_CNN((48, 48, 1), num_classes)
    model.summary()
    # keras自帶函式模型可視化以圖片展示
    plot_model(model, show_shapes=True,to_file='model.png')

下圖即生成的模型的結構圖片，可以看到有很多引數，但是圖片太長，且是PNG格式的，

使用Netron

Netron可支持的模型檔案格式較多，可以自行嘗試，這里以使用keras神經網路框架撰寫的神經網路模型為例，
在pycharm中打開解釋器設定下載netron

通常我們在pycharm中的train.py中撰寫開始訓練模型有關的內容時，會用到如下代碼，

model.fit(faces, emotions, batch_size=128, epochs=1000,callbacks=model_callbacks,verbose=1)
        # fit函式內的一些設定
          # verbose=1,
          # callbacks=model_callbacks,回呼模型保存函式
          # validation_split=0.1,驗證集的比例
          # shuffle=True)隨機打亂輸入樣本的順序

訓練之后，會生成一些hdf5檔案，這些檔案的產生還需要在train.py中進行一些設定才可以從訓練的程序中保存下來，

然后新建一個modelView.py檔案，代碼如下，一定要注意檔案路徑的問題

# 使用netron進行模型可視化
import netron
# 模型的路徑
modelPath = "trained_models/simpler_CNN.01-0.32.hdf5"
# 啟動模型
netron.start(modelPath)

隨后運行modelView.py檔案，生成如下地址，

瀏覽器打開該地址，出現我們訓練的模型可視圖了，

總結注意

一、在使用第一種keras自帶的方法時，一定要注意定義模型的頭檔案參考是from keras.layers import xx，不能是from tensorflow.keras.layers import xx，
二、使用第二種Netron時要注意該工具所支持的檔案格式，有如下格式：
ONNX (.onnx, .pb, .pbtxt), Keras (.h5, .keras), CoreML (.mlmodel), Caffe2(predict_net.pb, predict_net.pbtxt), MXNet (.model, -symbol.json) and TensorFlow Lite (.tflite). Netron has experimental support for Caffe (.caffemodel, .prototxt), PyTorch (.pth), Torch (.t7), CNTK(.model, .cntk), PaddlePaddle (model), Darknet (.cfg), scikit-learn (.pkl), TensorFlow.js(model.json, .pb) and TensorFlow (.pb, .meta, .pbtxt).