可视化有助于解释和理解深度学习模型的内部结构。通过模型计算图的可视化可以弄清楚神经网络是如何计算的，对于模型的可视化主要包括以下几个方面：
- 模型有多少层
- 每层的输入和输出形状
- 不同的层是如何连接的？
- 每层使用的参数
- 使用了不同的激活函数
本文将使用 Keras 和 PyTorch 构建一个简单的深度学习模型，然后使用不同的工具和技术可视化其架构。
使用Keras构建模型
代码语言：javascript复制import keras
# Train the model on Fashion MNIST dataset
(train_images, train_labels), _ = keras.datasets.fashion_mnist.load_data()
train_images = train_images / 255.0
# Define the model.
model = keras.models.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(32, activation='relu'),
keras.layers.Dropout(0.2),
keras.layers.Dense(10, activation='softmax')
])
#Compile the model
model.compile(
optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])Keras 内置可视化模型
在 Keras 中显示模型架构的最简单就是使用 summary()方法
代码语言：javascript复制model.summary()
这个方法是keras内置的实现，他的原理很简单。就是遍历所有模型层并打印相关细节，如层的输入维度和输出维度、参数数量、激活类型等，我们也可以用for训练遍历实现，代码如下：
代码语言：javascript复制for layer in model.layers:
print("Layer Name: " layer.name)
print("Type of layer: " layer.__class__.__name__)
print("Input dimesion: {}".format(layer.input_shape[1:]))
print("Output dimesion: {}".format(layer.output_shape[1:]))
print("Parameter Count: {}".format( layer.count_params()))
try:
print("Activation : " layer.activation.__name__)
print(" ")
except:
print(" ")
这种方法只能提供一些简单的信息，下面我们介绍一些更好用的方法
Keras vis_utils
keras.utils.vis_utils 提供了使用 Graphviz 绘制 Keras 模型的实用函数。但是在使用之前需要安装一些其他的依赖：
代码语言：javascript复制pip install pydot
pip install pydotplus
pip install graphviz使用Graphviz，还需要在系统 PATH 中添加 Graphviz bin 文件夹的路径，设置完成后就可以使用了
代码语言：javascript复制model_img_file = 'model.png'
tf.keras.utils.plot_model(model, to_file=model_img_file,
show_shapes=True,
show_layer_activations=True,
show_dtype=True,
show_layer_names=True )
Visualkears
Visualkears 库只支持 CNN（卷积神经网络）的分层样式架构生成和大多数模型的图形样式架构，包括普通的前馈网络。
代码语言：javascript复制pip install visualkeraslayered view() 用于查看 CNN 模型架构
代码语言：javascript复制visualkeras.layered_view(model,legend=True, draw_volume=True)
TensorBoard
TensorBoard 的 Graphs 可查看模型结构图。对于 Tensorboard，使用如下的方法。
代码语言：javascript复制import tensorflow as tf
from datetime import datetime
import tensorboard如果需要在notebook中使用，可以用下面的语句加载 Tensorboard 扩展
代码语言：javascript复制%load_ext tensorboard在 fit() 中使用的 Keras Tensorboard Callback
代码语言：javascript复制# Define the Keras TensorBoard callback.
logdir="logs/fit/" datetime.now().strftime("%Y%m%d-%H%M%S")
tensorboard_callback = keras.callbacks.TensorBoard(log_dir=logdir)
# Train the model.
model.fit(
train_images,
train_labels,
batch_size=64,
epochs=5,
callbacks=[tensorboard_callback])
model.save("model.h5")模型训练完成后，启动 TensorBoard 并等待 UI 加载。
代码语言：javascript复制%tensorboard --logdir logs通过单击的“Graphs”就可以看到模型的可视化结果了。
Pytorch 1.8以后中提供了from torch.utils.tensorboard import SummaryWriter也可以生成tensorboard的数据直接与tensorboard 对接。
Netron
Netron 是专门为神经网络、深度学习和机器学习模型设计的查看器。它支持 Keras、TensorFlow lite、ONNX、Caffe，并对 PyTorch、TensorFlow 有实验性支持。
代码语言：javascript复制pip install netron浏览器并输入netron.app ，请单击“打开模型”并选择 h5 文件的路径上传。
就可以看到每一层的可视化结果了。
在 PyTorch 中构建一个简单的深度学习模型
代码语言：javascript复制import torch
from torch import nn
# Get cpu or gpu device for training.
device = "cuda" if torch.cuda.is_available() else "cpu"
print(f"Using {device} device")
class NeuralNetwork(nn.Module):
def __init__(self):
super(NeuralNetwork, self).__init__()
self.flatten = nn.Flatten()
self.linear_relu_stack = nn.Sequential(
nn.Linear(28*28, 512),
nn.ReLU(),
nn.Linear(512, 512),
nn.ReLU(),
nn.Linear(512, 10),
)def forward(self, x):
x = self.flatten(x)
logits = self.linear_relu_stack(x)
return logits
pytorch_model = NeuralNetwork().to(device)
x = torch.randn( 512, 28,28,1).requires_grad_(True)
y = pytorch_model(x)查看模型架构最直接的方法是打印它。
代码语言：javascript复制print(pytorch_model)
虽然可以看到完整的模型架构，但是效果还没有Keras的内置函数效果好，下面介绍一个很好用的库解决这个问题。
PyTorchViz
PyTorchViz 依赖于graphviz，所以也需要安装：
代码语言：javascript复制pip install graphviz
pip install torchviz使用PyTorchViz 可视化模型非常简单，只需要一个方法即可：
代码语言：javascript复制from torchviz import make_dot
make_dot(y, params=dict(list(pytorch_model.named_parameters()))).render("torchviz", format="png")上面的代码生成了一个torchviz.png文件，如下图。
总结
可视化模型架构可以更好的解释深度学习模型。模型结构可视化显示层数、每层数据的输入和输出形状、使用的激活函数以及每层中的参数数量，为优化模型提供更好的理解。
作者：Renu Khandelwal
