我想问是否有一种简单的方法可以可视化从功能 API 构建的 Keras 模型？
目前，对我而言，在高级别的顺序模型上调试的最佳方法是：
model = Sequential()
model.add(...
...
print(model.summary())
SVG(model_to_dot(model).create(prog='dot', format='svg'))
但是，如果我们构建一个更复杂的非序列模型，我很难找到一种可视化 Keras API 的好方法。
【问题讨论】：
标签： python tensorflow keras graph-visualization
是的，请尝试检查keras.utils，它有一个方法plot_model()，详细说明here。似乎您已经熟悉keras.utils.vis_utils 和model_to_dot 方法，但这是另一种选择。它的用法是这样的：
from keras.utils import plot_model
plot_model(model, to_file='model.png')
说实话，这是我仅使用 Keras 找到的最好的。像您一样使用model.summary() 有时也很有用。我还希望有一些工具可以更好地可视化模型，甚至可以查看每层的权重，以决定最佳网络结构和初始化（如果你知道一个，请告诉 :]）。
您目前拥有的最佳选择可能是在 Tensorboard 上可视化事物，您可以通过 TensorBoard 回调将其包含在 Keras 中。这使您能够可视化您的训练和感兴趣的指标，以及有关层激活、偏差和内核等的一些信息。基本上，在拟合模型之前，您必须将此代码添加到您的程序中：
from keras.callbacks import TensorBoard
#indicate folder to save, plus other options
tensorboard = TensorBoard(log_dir='./logs/run1', histogram_freq=1,
write_graph=True, write_images=False)
#save it in your callback list, where you can include other callbacks
callbacks_list = [tensorboard]
#then pass to fit as callback, remember to use validation_data also
regressor.fit(X, Y, callbacks=callbacks_list, epochs=64,
validation_data=(X_test, Y_test), shuffle=True)
然后，您可以在终端上使用以下命令运行 Tensorboard（在 Web 服务上本地运行）：
tensorboard --logdir=/logs/run1
这将指示您在哪个端口可视化您的训练。如果你有不同的运行，你可以传递--logdir=/logs，而不是能够将它们一起可视化以进行比较。 Tensorboard 的使用当然还有更多的选择，所以如果你正在考虑使用它，我建议你查看包含的链接。
【讨论】：
经过一番谷歌搜索和试验/错误......结果你只需将整个功能性 api 模型转换回“模型格式”。
model = some_model()
output_layer = _build_output()
finalmodel = Model(inputs=model.input, outputs=finalmodel)
然后，您可以运行 finalmodel.summary() 或任何用于顺序建模的绘图功能。
但是，这需要我仔细跟踪模型，我承认我没有这样做。
【讨论】：
tf.keras.utils.plot_model(
model,
to_file="model.png",
show_shapes=False,
show_layer_names=True,
rankdir="TB",
expand_nested=False,
dpi=96,
)
【讨论】：