深度学习笔记：Keras模型的可视化

最新推荐文章于 2025-06-08 09:09:39 发布

原创最新推荐文章于 2025-06-08 09:09:39 发布 · 4.1k 阅读

17 ·

CC 4.0 BY-SA版权

文章标签：

#keras #深度学习 #python #plot_model #tensorflow

深度学习专栏收录该内容

36 篇文章

订阅专栏

本文介绍了如何使用keras.utils.plot_model函数将Keras模型转换为图形，并通过两个示例（密集层模型和卷积神经网络）展示其应用。展示了如何配置参数以获取详细的形状和数据类型信息。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

0. 前言

1. 函数接口

2. 使用示例

2.1 示例1：由两个Dense layer构成的最简模型

2.2 示例2：一个简单的卷积神经网络

0. 前言

除了可以用model.summary()函数以文本列表的方式显示模型的基本信息，keras还提供了一个简单的将模型图示化的函数：keras.utils.plot_model(), 让开发者能够直观地看到自己的模型长什么样子.

1. 函数接口

该函数将keras模型转换为dot格式，并存储在一个指定的文件中。
该函数会调用pydot库，因此需要pydot模块以及graphviz模块已经安装，如果调用plot_model时有报pydot模块以及graphviz模块相关错误的时候，用pip install或者conda install安装即可。

tf.keras.utils.plot_model(
    model,                  # A Keras model instance
    to_file="model.png",    # 指定模型图片文件名
    show_shapes=False,      # 是否显示shape信息
    show_dtype=False,       # 是否显示数据类型信息             
    show_layer_names=True,  # 是否显示layers名
    rankdir="TB",           # 这个是传递给pydot的参数以控制图形的形状，'TB'表示纵向描绘，'LR'表示横向描绘。T/B/L/R分别表示Top/Bottom/Left/Right 
    expand_nested=False,    # 是否将嵌套模型扩展为clusters
    dpi=96,                 # 图片的分辨率，Dots per inch
    layer_range=None,       # 用于指定描绘的层的范围，由两个字符串构成的列表构成，分别表示开始层start_layer和结束层stop_layer。None表示全部描绘。用户必须确保start_layer和stop_layer所圈定的范围构成了一个完整的子图。
)

2. 使用示例

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
from tensorflow.keras import utils

print(tf.__version__)
print(keras.__version__)

本实例程序在tensorflow 2.5.0上运行确认过。版本不同时会不会有不同的运行结果不确定。

2.1 示例1：由两个Dense layer构成的最简模型

model1 = keras.Sequential([
    layers.Dense(512, activation="relu",input_shape=(28*28,)),
    layers.Dense(10, activation="softmax")
])
model1.summary()

utils.plot_model(model1, 'model1.png',show_shapes=True,show_dtype=True,show_layer_names=True)

注意，以上图示中把Input Layer作为独立的一层描绘出来了，这个只是一个convention而已。

2.2 示例2：一个简单的卷积神经网络

inputs = keras.Input(shape=(28, 28, 1))
x = layers.Conv2D(filters=32, kernel_size=3, activation="relu")(inputs)
x = layers.MaxPooling2D(pool_size=2)(x)
x = layers.Conv2D(filters=64, kernel_size=3, activation="relu")(x)
x = layers.MaxPooling2D(pool_size=2)(x)
x = layers.Conv2D(filters=128, kernel_size=3, activation="relu")(x)
x = layers.Flatten()(x)
outputs = layers.Dense(10, activation="softmax")(x)
model2 = keras.Model(inputs=inputs, outputs=outputs)

# **Displaying the model's summary**
model2.summary()

utils.plot_model(model2, 'model2.png',show_shapes=True,show_dtype=True,show_layer_names=True)