Que ferramentas posso usar para visualizar modelos de Keras? O velho cliche "uma imagem vale mil palavras" pode ser ainda mais verdadeiro quando se trabalha com modelos complexos de aprendizado de máquina. Felizmente, existem algumas maneiras fáceis de visualizar modelos de aprendizagem de máquina. Este guia se concentra na visualização de modelos Keras e usa o seguinte modelo (o "modelo de teste") para demonstração: def build_model(pad_len, imu_dim, tof_dim, n_classes):
   def time_sum(x):
      return K.sum(x, axis=1)

   def squeeze_last_axis(x):
      return tf.squeeze(x, axis=-1)

   def expand_last_axis(x):
      return tf.expand_dims(x, axis=-1)    
    
   filters_l1 = 64
   kernel_l1 = 3
   filters_l2 = 128
   kernel_l2 = 5
   reduction = 8
   pool_size = 2
   drop = 0.3
   wd = 1e-4
    
   inp = Input(shape=(pad_len, imu_dim + tof_dim))
   imu = Lambda(lambda t: t[:, :, :imu_dim])(inp)
   tof = Lambda(lambda t: t[:, :, imu_dim:])(inp)

   # First CNN branch
   shortcut_1 = imu
   x1 = Conv1D(filters_l1, kernel_l1, padding="same", use_bias=False, kernel_regularizer=l2(wd))(imu)
   x1 = BatchNormalization()(x1)
   x1 = Activation("relu")(x1)
   x1 = Conv1D(filters_l1, kernel_l1, padding="same", use_bias=False, kernel_regularizer=l2(wd))(x1)
   x1 = BatchNormalization()(x1)
   x1 = Activation("relu")(x1)

   ch = x1.shape[-1]
   se = GlobalAveragePooling1D()(x1)
   se = Dense(ch//reduction, activation="relu")(se)
   se = Dense(ch, activation="sigmoid")(se)
   se = Reshape((1, ch))(se)
   x1 = Multiply()([x1, se])

   if shortcut_1.shape[-1] != filters_l1:
      shortcut_1 = Conv1D(filters_l1, 1, padding="same", use_bias=False, kernel_regularizer=l2(wd))(shortcut_1)
      shortcut_1 = BatchNormalization()(shortcut_1)
    
   x1 = add([x1, shortcut_1])
   x1 = Activation("relu")(x1)
   x1 = MaxPooling1D(pool_size)(x1)
   x1 = Dropout(drop)(x1)

   shortcut_2 = x1
   x1 = Conv1D(filters_l2, kernel_l2, padding="same", use_bias=False, kernel_regularizer=l2(wd))(x1)
   x1 = BatchNormalization()(x1)
   x1 = Activation("relu")(x1)
   x1 = Conv1D(filters_l2, kernel_l2, padding="same", use_bias=False, kernel_regularizer=l2(wd))(x1)
   x1 = BatchNormalization()(x1)
   x1 = Activation("relu")(x1)

   ch = x1.shape[-1]
   se = GlobalAveragePooling1D()(x1)
   se = Dense(ch//reduction, activation="relu")(se)
   se = Dense(ch, activation="sigmoid")(se)
   se = Reshape((1, ch))(se)
   x1 = Multiply()([x1, se])

   if shortcut_2.shape[-1] != filters_l2:
      shortcut_2 = Conv1D(filters_l2, 1, padding="same", use_bias=False, kernel_regularizer=l2(wd))(shortcut_2)
      shortcut_2 = BatchNormalization()(shortcut_2)

   x1 = add([x1, shortcut_2])
   x1 = Activation("relu")(x1)
   x1 = MaxPooling1D(pool_size)(x1)
   x1 = Dropout(drop)(x1)
    
   # Second CNN branch
   x2 = Conv1D(filters_l1, kernel_l1, padding="same", use_bias=False, kernel_regularizer=l2(wd))(tof)
   x2 = BatchNormalization()(x2)
   x2 = Activation("relu")(x2)
   x2 = MaxPooling1D(2)(x2)
   x2 = Dropout(0.2)(x2)
   x2 = Conv1D(filters_l2, kernel_l1, padding="same", use_bias=False, kernel_regularizer=l2(wd))(x2)
   x2 = BatchNormalization()(x2)
   x2 = Activation("relu")(x2)
   x2 = MaxPooling1D(2)(x2)
   x2 = Dropout(0.2)(x2)    

   merged = Concatenate()([x1, x2])

   xa = Bidirectional(LSTM(128, return_sequences=True, kernel_regularizer=l2(wd)))(merged)
   xb = Bidirectional(GRU(128, return_sequences=True, kernel_regularizer=l2(wd)))(merged)
   xc = GaussianNoise(0.09)(merged)
   xc = Dense(16, activation="elu")(xc)

   x = Concatenate()([xa, xb, xc])
   x = Dropout(0.4)(x)
   score = Dense(1, activation="tanh")(x)
   score = Lambda(squeeze_last_axis)(score)
   weights = Activation("softmax")(score)
   weights = Lambda(expand_last_axis)(weights)
   context = Multiply()([x, weights])
   x = Lambda(time_sum)(context)

   x = Dense(256, use_bias=False, kernel_regularizer=l2(wd))(x)
   x = BatchNormalization()(x)
   x = Activation("relu")(x)
   x = Dropout(0.5)(x)

   x = Dense(128, use_bias=False, kernel_regularizer=l2(wd))(x)
   x = BatchNormalization()(x)
   x = Activation("relu")(x)
   x = Dropout(0.3)(x)

   out = Dense(n_classes, activation="softmax", kernel_regularizer=l2(wd))(x)
   return Model(inp, out)
 Como você pode ver, o modelo acima é bastante complexo. É usado para aprender padrões da unidade de medição intertial ("IMU") e outros dados de sensores. Para ser claro, eu não o construí. Como você notará, a definição do modelo no notebook original usa objetos personalizados para encapsular certa lógica que é repetida no design do modelo. Eu escolhi remover esses objetos e explicitamente definir a lógica "inline" para ver melhor a estrutura completa do modelo em minha implementação ligeiramente modificada. Cachoeira Notebook Este guia discute as seguintes 3 ferramentas de visualização: 
 
 
 
 
 
 Netron 
 
 The   Python package visualkeras 
 
 TensorBoard Usando o Netron para visualizar seu modelo de Keras é provavelmente a ferramenta de visualização mais simples disponível. Você só precisa clicar no clique na página inicial e, em seguida, selecione o modelo que você deseja visualizar. Aqui está uma visualização das primeiras camadas do modelo de teste: Netrão Open Model... Uma vez que o modelo é carregado, você pode clicar em nós no gráfico do modelo para ver suas propriedades: Você pode exportar o gráfico do modelo em e Formatar clicando no ícone do menu principal e selecionando a opção de exportação apropriada. .png .svg 2 – Uso Para visualizar o seu modelo Keras visualizações visualizações O O pacote Python também é muito fácil de usar e oferece uma maneira conveniente de visualizar um modelo antes do treinamento. : visualkeras pip pip install visualkeras
 O seguinte código Python demonstra o uso básico do pacote: # [Imports for your Keras model here...]
import visualkeras

# [Utility function to build your Keras model...]
def build_model(model_params):
   # [Your model definition here...]

# [Build the model...]
model = build_model(model_params)

# [Visualize the model...]
visualkeras.graph_view(model).show()
 O O método produz o seguinte gráfico das primeiras camadas do modelo de teste: graph_view O programa também oferece a método que produz um gráfico das camadas do modelo distinguidas por tipo e tamanho: layered_view visualkeras.layered_view(model, legend=True).show()
 Como se pode ver, passando Dois dos O parâmetro gera uma lenda descrevendo cada camada: True legend Uma das vantagens do pacote é o controle que ele oferece sobre como os gráficos são exibidos. Você pode rever os parâmetros usados para modificar a saída gráfica no Página em . visualkeras Pacote de Documentação 3 – Uso Para visualizar um modelo Keras Tensão Tensão é uma opção conveniente para a visualização de um modelo Keras, uma vez que é instalado junto com Com um pouco de "massagem", também é possível usar para visualizar a estrutura de um modelo antes do treinamento. TensorBoard TensorFlow TensorBoard 3.1 Instalação do Pacote jupyter-tensorboard Esta seção utiliza No contexto de uma Isso requer a instalação do pacote, que por sua vez tem um par de dependências. Use os seguintes passos para instalar : TensorBoard Jupyter notebook jupyter-tensorboard jupyter-tensorboard 
 
 
 
 
 
 Install the   package using  . jupyter pip install jupyer 
 
 Use the   command to   the   package which was installed with the   package installation process. The version of the   package installed with   which is   as of this writing is not compatible with  . This downgrade step installs a version of the   package that is compatible with  . See this   for more information. pip install --upgrade notebook==6.4.12 downgrade notebook jupyter notebook jupyter 7.4.5 jupyter-tensorboard notebook jupyter-tensorboard StackOverflow article 
 
 Install the   package using  . jupyter-tensorboard pip install jupyter-tensorboard 3.2 Configurando um notebook Jupyter para visualizar seu modelo Keras Como mencionado acima, você pode visualizar um modelo Keras em O seguinte código do notebook Jupyter demonstra como fazê-lo usando o modelo de teste da seção introdutória: TensorBoard # Cell 1: Imports
import tensorflow as tf
from tensorflow.keras.models import Model, load_model
from tensorflow.keras.layers import (
   Input, Conv1D, BatchNormalization, Activation, add, MaxPooling1D, Dropout,
   Bidirectional, LSTM, GlobalAveragePooling1D, Dense, Multiply, Reshape,
   Lambda, Concatenate, GRU, GaussianNoise
)
from tensorflow.keras.regularizers import l2
from tensorflow.keras import backend as K

# Cell 2: Set logs directory
LOG_DIR = "logs"

# Cell 3: Utility function to build model
# [`build-model` function for test model from introductory section here...]

# Cell 4: Build the model
model = build_model(398, 12, 335, 18)

# Cell 5: Compile the model
model.compile(optimizer="adam", loss="categorical_crossentropy", metrics=["accuracy"])

# Cell 6: Create a TensorBoard callback
tensorboard_callback = tf.keras.callbacks.TensorBoard(
   log_dir=LOG_DIR,
   histogram_freq=1,
   write_graph=True,
   profile_batch=0 # Disable profiling
)

# Cell 7: Create dummy `x` and `y` training inputs that match model input and output shapes
dummy_x_input = tf.random.normal((1, 398, 347)) # Batch size 1, input shape (398,347)
dummy_y_input = tf.random.normal((1, 18)) # Batch size 1, input shape (18, )

# Cell 8: "Train" the model for zero epochs to create a conceptual graph of the model
model.fit(dummy_x_input, dummy_y_input, epochs=0, batch_size=1, callbacks=[tensorboard_callback])

# Cell 9: Load the TensorBoard notebook extension
%load_ext tensorboard

# Cell 10: Launch TensorBoard
%tensorboard --logdir $LOG_DIR --host localhost
 Se você executar o código do notebook Jupyter acima, a última célula deve Quando a execução da célula estiver completa, você pode navegar para Para ver o O Dashboard. Launching TensorBoard http://localhost:6006 TensorBoard 
 
 Você pode modificar a porta TensorBoard passando a opção --port para o comando mágico %tensorboard, por exemplo, %tensorboard --logdir $LOG_DIR --host localhost --port 8088. Você pode alterar a porta do TensorBoard passando pelo Opção para o Comando Mágico, por exemplo. . --port %tensorboard %tensorboard --logdir $LOG_DIR --host localhost --port 8088 
 
 Dica: Estou executando no Windows 10 onde notei algum comportamento curioso em relação ao TensorBoard.Para obter o TensorBoard para iniciar corretamente cada vez que eu executar um notebook Jupyter, eu tenho que primeiro excluir todos os arquivos temporários no diretório C:\Users\[MY_WINDOWS_USERNAME]\AppData\Local\Temp\.tensorboard-info. Eu estou executando no Windows 10 onde eu notei algum comportamento curioso em relação ao TensorBoard. Para obter o TensorBoard para iniciar corretamente cada vez que eu executar um notebook Jupyter, eu tenho que primeiro excluir todos os arquivos temporários no Diretoria Tip: C:\Users\[MY_WINDOWS_USERNAME]\AppData\Local\Temp\.tensorboard-info Visualizar seu modelo de Keras com o TensorBoard O TensorBoard deve abrir automaticamente para o dashboard. Se não for, você pode clicar no opção de menu ou você pode alternadamente selecionar A partir do menu drop-down. Graphs Graphs Graphs A partir do Visão, Seleção Para visualizar a estrutura do seu modelo, você deve inicialmente ver um único nó que represente todo o modelo. Clique duas vezes no nó para ver a estrutura do subgráfico. Graphs Conceptual graph Você pode clicar duas vezes em nós individuais dentro da estrutura do sub-gráfico para ver suas propriedades.TensorBoard também permite exportar o gráfico do modelo em O formato. .png CONCLUSÃO Cada método de visualização discutido acima tem seus prós e contras.Netron é extremamente fácil de usar com modelos treinados, enquanto Como você pode ver, o TensorBoard também pode ser usado com modelos não treinados, mas requer um pouco mais de trabalho para configurar corretamente. visualkeras

This story contains new, firsthand information uncovered by the writer.

The code in this story is for educational purposes. The readers are solely responsible for whatever they build with it.

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

Read My Stories

Este áudio é produzido no idioma original da história!

3 maneiras de visualizar facilmente modelos de aprendizado de máquina da Keras

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

De fóruns a feeds: como os algoritmos de mídia social moldam a interação digital

O guia completo para uma migração bem-sucedida para a nuvem: estratégias e práticas recomendadas

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

De fóruns a feeds: como os algoritmos de mídia social moldam a interação digital

O guia completo para uma migração bem-sucedida para a nuvem: estratégias e práticas recomendadas

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps