Aké nástroje môžem použiť na vizualizáciu modelov Keras? Staré klišé „obrázok stojí za tisíc slov“ môže byť ešte pravdivejšie pri práci so zložitými modelmi strojového učenia. Ak nie ste požehnaní fotografickou pamäťou, môžete rýchlo stratiť stopu modelovej architektúry, keď jednoducho čítate prostredníctvom kódu. Táto príručka sa zameriava na vizualizáciu modelov Keras a na demonštráciu používa nasledujúci model (tzv. testovací model): 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)
 Ako môžete vidieť, vyššie uvedený model je pomerne zložitý. Používa sa na učenie vzorov z intertiálnej meracej jednotky ("IMU") a iných dát senzorov. Ako si všimnete, definícia modelu v pôvodnom poznámkovom bloku používa vlastné objekty na zapojenie určitej logiky, ktorá sa opakuje v návrhu modelu. Rozhodol som sa odstrániť tieto objekty a explicitne definovať logiku "inline", aby som lepšie videl úplnú štruktúru modelu v mojej mierne zmenenej implementácii. Príslušenstvo pre notebook Táto príručka sa zaoberá nasledujúcimi 3 nástrojmi na vizualizáciu: 
 
 
 
 
 
 Netron 
 
 The   Python package visualkeras 
 
 TensorBoard Použitie Netronu na vizualizáciu vášho modelu Keras je pravdepodobne najjednoduchší nástroj na vizualizáciu k dispozícii. stačí kliknúť na tlačidlo na domovskej stránke a potom vyberte model, ktorý chcete vizualizovať. Tu je vizualizácia prvých niekoľkých vrstiev testovacieho modelu: Netrón Open Model... Po načítaní modelu môžete kliknúť na uzly v grafe modelu a zobraziť ich vlastnosti: Môžete exportovať modelový graf do a formáty kliknutím na ikonu hlavnej ponuky a výberom vhodnej možnosti exportu. .png .svg 2. používať Vizualizácia vášho modelu Keras vizuálne vizuálne na Python balík je tiež veľmi jednoduché použitie a ponúka pohodlný spôsob, ako vizualizovať model pred tréningom. : visualkeras pip pip install visualkeras
 Nasledujúci kód Python demonštruje základné použitie balíka: # [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()
 na metóda vytvára nasledujúcu grafiku prvých niekoľkých vrstiev testovacieho modelu: graph_view Balík ponúka aj metóda, ktorá vytvára grafiku modelových vrstiev rozlíšených podľa typu a veľkosti: layered_view visualkeras.layered_view(model, legend=True).show()
 Ako vidíte, prechádzka Dvojica The parameter generuje legendu popisujúcu každú vrstvu: True legend Jednou z výhod pre balík je ovládací prvok, ktorý ponúka na zobrazenie grafiky. Môžete skontrolovať parametre používané na úpravu grafického výstupu na Na stránke . visualkeras Dokumentácia balíka 3. používať Vizualizácia modelu Keras TensorBoard Tensorová doska je vhodnou voľbou pre vizualizáciu modelu Keras, pretože je nainštalovaný spolu s S trochou "masáže" je tiež možné použiť vizualizovať štruktúru modelu pred tréningom. TensorBoard TensorFlow TensorBoard 3.1 Inštalácia balíček jupyter-tensorboard Táto sekcia používa V kontexte A To si vyžaduje inštaláciu balík, ktorý má pár závislostí. Použite nasledujúce kroky na inštaláciu : 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 Nastavenie Jupyter Notebook na vizualizáciu vášho modelu Keras Ako bolo uvedené vyššie, môžete vizualizovať model Keras v Nasledujúci Jupyter notebookový kód ukazuje, ako to urobiť pomocou testovacieho modelu z úvodnej časti: 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
 Ak spustíte kód Jupyter notebooku vyššie, posledná bunka by mala Po dokončení vykonávania bunky môžete prejsť na Na pohľad na a Dashboard. Launching TensorBoard http://localhost:6006 TensorBoard 
 
 Port TensorBoard môžete upraviť tak, že prejdete možnosť --port na magický príkaz %tensorboard, napr. %tensorboard --logdir $LOG_DIR --host localhost --port 8088. Port TensorBoard môžete zmeniť prechodom na Možnosť na Magický príkaz, e.g. . --port %tensorboard %tensorboard --logdir $LOG_DIR --host localhost --port 8088 
 
 Tip: Som spustený na Windows 10, kde som si všimol nejaké zvláštne správanie vo vzťahu k TensorBoard. Aby sa TensorBoard správne spustiť zakaždým, keď spustím notebook Jupyter, musím najprv odstrániť všetky dočasné súbory v C:\Users\[MY_WINDOWS_USERNAME]\AppData\Local\Temp\.tensorboard-info adresára. Som spustený na Windows 10, kde som si všimol nejaké zvedavé správanie vo vzťahu k TensorBoard. Aby sa TensorBoard správne spustiť zakaždým, keď spustím notebook Jupyter, musím najprv odstrániť všetky dočasné súbory v riaditeľa . Tip: C:\Users\[MY_WINDOWS_USERNAME]\AppData\Local\Temp\.tensorboard-info 3.3 Vizualizácia vášho modelu Keras s TensorBoard TensorBoard by sa mal automaticky otvoriť na Dashboard. Ak nie, môžete kliknúť na možnosť menu alebo môžete alternatívne vybrať z rozbaľovacieho menu. Graphs Graphs Graphs Z toho Zobraziť, vyberte na zobrazenie štruktúry vášho modelu. Na začiatku by ste mali vidieť jeden uzol predstavujúci celý model. Dvakrát kliknite na uzol, aby ste videli štruktúru podgrafu. Graphs Conceptual graph Môžete dvojitým kliknutím na jednotlivé uzly v rámci sub-grafovej štruktúry zobraziť ich vlastnosti. TensorBoard tiež umožňuje exportovať modelový graf do formátovať sa. .png záver Každá metóda vizualizácie diskutovaná vyššie má svoje výhody a nevýhody. Ako vidíte, TensorBoard možno použiť aj s netrénovanými modelmi, ale vyžaduje trochu viac práce na správne nastavenie. 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

Tento zvuk je vyrobený v pôvodnom jazyku príbehu!

3 spôsoby, ako ľahko vizualizovať modely strojového učenia Keras

About Author

KOMENTÁRE

ZAVISTE ŠTÍTKY

TENTO ČLÁNOK BOL PREDSTAVENÝ V

Related Stories

Mutmut: a Python mutation testing system

Code Smell 298 - How to Fix Microsoft Windows Time Waste

Behavior of a shapely Spider

16 Best Sklearn Datasets for Building Machine Learning Models

Mutmut: a Python mutation testing system

Code Smell 298 - How to Fix Microsoft Windows Time Waste

Behavior of a shapely Spider

16 Best Sklearn Datasets for Building Machine Learning Models

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps