Visualisieren Sie das Keras-Modell mit Python 3.5

Zweck

Ich verwende Python3.5, Anaconda4.3-Umgebung. Dies ist das Verfahren zur Visualisierung des mit Keras mit pydot + Graphviz auf dem Jupyter-Notizbuch erstellten LSTM-Modells. Das Betriebssystem ist CentOS 7.3.

Hier erfahren Sie, wie Sie das Keras-Modell visualisieren, aber ich werde es einschließlich der erforderlichen Pakete erläutern. https://keras.io/visualization/

Verfahren

1. Installieren Sie graphviz mit yum auf dem Betriebssystem.
2. Installieren Sie pydot und graphviz mit pip.
3. Visualisieren Sie das Modell mit dem Jupyter Notebook.

Installieren Sie graphviz unter yum unter OS

Graphviz selbst ist ein Paket, das nichts mit Python zu tun hat. http://www.graphviz.org/About.php

Es funktioniert nicht nur unter CentOS, sondern auch unter Betriebssystemen. Installieren Sie es also zuerst. sudo yum -y install graphviz

Installieren Sie pydot und graphviz mit pip

Sie benötigen pydot und graphviz, um das Modell mit graphviz in Python zu visualisieren. Dieses graphviz ist ein Python-Wrapper für das Betriebssystempaket.

pip install pydot graphviz

Sie haben es jetzt installiert, benötigen jedoch je nach Umgebung möglicherweise Folgendes, um es zu visualisieren:

pip install pydot3 pydot-ng

Lassen Sie uns das Modell mit Jupyter Notebook visualisieren

Starten Sie Jupyter Notebook und schreiben Sie das LSTM-Modell in Keras. Dieses Mal werde ich das Modell hier verwenden. http://machinelearningmastery.com/sequence-classification-lstm-recurrent-neural-networks-python-keras/

import numpy as np
import pydot
from keras.datasets import imdb
from keras.models import Sequential
from keras.layers import Dense, LSTM
from keras.layers.embeddings import Embedding
from keras.preprocessing import sequence

from keras.utils.visualize_util import model_to_dot 
from IPython.display import SVG

np.random.seed(7)
top_words = 5000
(x_train, y_train), (x_test, y_test) = imdb.load_data(nb_words=top_words)

max_review_length = 500
x_train = sequence.pad_sequences(x_train, maxlen=max_review_length)
x_test = sequence.pad_sequences(x_test, maxlen=max_review_length)

embedding_vector_length = 32
model = Sequential()
model.add(Embedding(top_words, embedding_vector_length, input_length=max_review_length))
model.add(LSTM(100))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam',　metrics=['accuracy'])
#Visualisieren Sie nun das Modell.
SVG(model_to_dot(model).create(prog='dot', format='svg'))

model.fit(x_train, y_train, validation_data=(x_test, y_test), nb_epoch=3, batch_size=64)
scores = model.evaluate(x_test, y_test, verbose=0)
print ("accuracy: %.3f%%" % (scores[1]*100))

Jetzt können Sie das Modell wie unten gezeigt visualisieren.