2. 程式人生 > >Keras中神經網路視覺化模組keras.utils.visualize_util安裝配置方法

Keras中神經網路視覺化模組keras.utils.visualize_util安裝配置方法

阿新 • • 發佈：2019-02-16

Keras中提供了一個神經網路視覺化的函式plot，並可以將視覺化結果儲存在本地。plot使用方法如下：

from keras.utils.visualize_util import plot
plot(model, to_file='model.png')

注：筆者使用的Keras版本是1.0.6

不過這項功能依賴於graphviz模組與pydot模組，因此需要先安裝這兩個模組，並安裝graphviz軟體本身（筆者安裝的版本為2.38）。

安裝步驟

  1. 命令列輸入 pip install graphviz
  2. 安裝graphviz軟體。官網地址為http://www.graphviz.org/
    • 解壓版：配置環境變數。將安裝目錄中的graphviz-2.38\release\bin
      新增進Path環境變數
    • 安裝版：安裝msi
  3. 命令列輸入pip install pydot==1.1.0
    • 注：此處需要指定安裝1.1.0版本的pydot，是因為最新版（截止2016.8最新版本號是1.2.x）中find_graphviz函式是deprecated的，使用時會報錯

測試方法

使用以下指令碼

# encoding: utf-8
"""
@author: monitor1379 
@contact: [email protected]
@site: www.monitor1379.com

@version: 1.0
@license: Apache Licence
@file: test_keras2.py
@time: 2016/8/17 16:51
"""
 


import numpy as np
from keras.models import Sequential
from keras.layers.core import Dense, Activation
from keras.optimizers import SGD
from keras.utils import np_utils    
#from keras.utils.visualize_util import plot 舊版

from keras.utils.vis_utils import plot_model

def run(): # 構建神經網路 model = Sequential() model.add(Dense(4
, input_dim=2, init='uniform')) model.add(Activation('relu')) model.add(Dense(2, init='uniform')) model.add(Activation('sigmoid')) sgd = SGD(lr=0.05, decay=1e-6, momentum=0.9, nesterov=True) model.compile(loss='binary_crossentropy', optimizer=sgd, metrics=['accuracy'])

執行效果（隨便舉個例子，model是之前定義好的）：


plot_model(model, to_file='model.png', show_shapes=True)
Image('model.png')

if __name__ == '__main__': run()

輸出結果：


神經網路視覺化結果

相關推薦

Keras中神經網路視覺化模組keras.utils.visualize_util 的安裝

一、Keras中提供了一個神經網路視覺化的函式plot，並可以將視覺化結果儲存在本地。plot使用方法如下： from keras.utils.visualize_util import plot

Keras中神經網路視覺化模組keras.utils.visualize_util安裝配置方法

Keras中提供了一個神經網路視覺化的函式plot，並可以將視覺化結果儲存在本地。plot使用方法如下： from keras.utils.visualize_util import plot plot(model, to_file='model.png') 注：筆者使用的Keras版本是1.0.6 不

卷積神經網路視覺化：以Keras處理貓圖片為例

眾所周知，在過去幾年裡，深度學習領域裡的很多主要突破都來源於卷積神經網路（CNN 或者 ConvNet），但對大多數人來說卷積神經網路是一個非常不直觀的推斷過程。我一直想剖析卷積神經網路的各個部分，看看它在每個階段的影象處理結果是怎樣的，而本篇文章就是我的方法簡述。 從高層來看卷積神經網路 首先，卷積神

神經網路視覺化（Visualization of Neural Network ）

神經網路視覺化和可解釋性（Visualization and Explanation of Neural Network ） 相對於傳統的ML模型，Deep NN由於其自身所特有的多層非線性的結構而導致難以對其工作原理進行透徹的理解。比如，我們很難理解網路將一個

深度學習小白——卷積神經網路視覺化（二）

一、由卷積後的code得到原始影象 可以看出隨著卷積網路的進行，越來越多的資訊被扔掉了，能還原除的資訊也就越少。 二、Deep Dream google發明的起初是用來看神經網路各層在“看”什麼，後來因為得到的影象很具有藝術感，所以成為了一個藝術圖片生成器。 這是一

【神經網路】神經網路視覺化工具

t-SNE  方法：在fc7（倒數第一層fc）提取輸出，並用歐氏距離遠近展示（或聚類）。好的網路可以直觀看到同分類的圖片聚在一起，幾何上易被切割出來。 一個例子： Visualizing Activations 方法：     1. 逆向使用已訓練好的神經網路生成圖

[TensorFlow]使用Tensorboard實現神經網路視覺化

主旨 視覺化是深度學習神經網路開發、除錯、應用中極為重要的手段。Tensorboard是Tensorflow提供的一個視覺化工具，本文通過實際程式碼實驗的方式說明使用TensorBoard實現記錄變數，實現視覺化除錯的目的。 原始碼 我的GitHub中

圖神經網路+池化模組，斯坦福等提出層級圖表徵學習

近年來人們開發圖形神經網路的興趣持續激增。圖形神經網路即可以在如社交網路資料 [16,21,36] 或基於圖形的分子表徵 [7,11,15] 的圖形結構資料上執行的一般的深度學習架構。GNN 一般是將底層圖形作為計算圖，通過在圖上傳遞、轉換和聚合節點特徵資訊學習神經網路基元以生成單個節點嵌入。生成的節點嵌入可

神經網路視覺化

    目前，對於神經網路每一層的輸出，只是有一個大致的瞭解。低層的神經網路提取的是一般的、具有普適性的紋理，高層的神經網路層提取的是一些和task相關的、特殊的全域性特徵。每一層的輸出結果是怎麼作用到最終的輸出，以及如何藉助每一層的特徵對神經網路進行優化。這些問題還是需要進

Keras入門課5 -- 網路視覺化及訓練監控

Keras入門課5：網路視覺化及訓練監控 本節專注於Keras中神經網路的視覺化，包括網路結構視覺化以及如何使用TensorBoard來監控訓練過程。 這裡我們借用第2課的程式碼內容來進行示例和講解。 網路前面的定義、資料初始化都一樣，主要是fit函式 啟用T

Keras深度神經網路模型分層分析【輸入層、卷積層、池化層】

一.輸入層 　　1.用途 　　　　構建深度神經網路輸入層，確定輸入資料的型別和樣式。 　　2.應用程式碼 　　　　input_data = Input(name='the_input', shape=(1600, 200, 1)) 　　3.原始碼 def Input(shape=None, batch_sh

#####好好好好####Keras深度神經網路訓練分類模型的四種方法

Github程式碼： Keras樣例解析 歡迎光臨我的部落格：https://gaussic.github.io/2017/03/03/imdb-sentiment-classification/ (轉載請註明出處：https://gaussic.github.io) Keras的官方E

keras搭建神經網路分類新聞主題

from keras.datasets import reuters import numpy as np from keras import models from keras import layers from keras.optimizers import RMSprop from

Keras搭建神經網路LSTM(迴歸)

import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn import preprocessing from keras.models import Sequential from kera

使用Keras建立神經網路對資料集MNIST分類

0. 環境 Ubuntu 18.04，64bit，i3-6100，8G Python 2.7 1. 例程所需檔案 │  keras_mnist.py │   ├─mldata │      mnist-original.mat │       └─output

Keras搭建神經網路BPNN(分類問題)

import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn import datasets,preprocessing from sklearn.model_selection import train

Keras入門教程06——CapsNet膠囊神經網路詳解及Keras實現

論文《Dynamic Routing Between Capsules》 參考了一篇部落格還有Keras官方的程式碼，結合程式碼給大家講解下膠囊神經網路。 1. 膠囊神經網路詳解 1.1 膠囊神經網路直觀理解 CNN存在的問題 影象分類中，一旦卷積核檢測到類

Keras特徵圖Tensorboard視覺化

前言 之前在用Tensorflow框架的時候，對於特徵圖的視覺化已經研究了一下。主要的思路其實就是將特徵圖展開鋪平成一張大圖。具體文章參考Tensorboard特徵圖視覺化。 文章主要的函式就是將特徵圖沿著第四通道展開，然後將其拼接。最後的返回結果 all_concact 其實還

Keras在訓練期間視覺化訓練誤差和測試誤差

原文來自：https://machinelearningmastery.com/display-deep-learning-model-training-history-in-keras/ 詳細的解釋，讀者自行開啟這個連結檢視，我這裡只把最重要的說下 fit() 方法會返回一個訓練

keras——基於神經網路的風格遷移生成藝術字

Keras是一個高層神經網路API，由純Python編寫而成，至少依賴Tensorflow、Theano、CNTK一種神經網路框架，這裡建議用Tensorflow。Keras的特性：1.簡易和快速的原型設計（keras具有高度模組化，極簡，和可擴充特性）2.支援CNN和RNN