模型概览与可视化

神经网络 (neural network)的结构常使用 Keras 的 Sequential 或 Functional API 来定义。检查这些已定义网络的结构通常会很有帮助。了解网络中的层、层间的连接、数据在网络中流动的形状以及参数 (parameter)数量，这对于调试、验证设计和估算计算复杂性很重要。Keras 为此提供了便利的工具。

使用 model.summary()

获知模型概况最直接的方式是 summary() 方法。它提供模型逐层的文本形式的描述。我们来看一个简单的 Sequential 模型：

import keras
from keras import layers

# 定义一个简单的Sequential模型
model = keras.Sequential(
    [
        keras.Input(shape=(784,), name="input_layer"), # 指定形状的输入层
        layers.Dense(128, activation="relu", name="hidden_layer_1"),
        layers.Dense(64, activation="relu", name="hidden_layer_2"),
        layers.Dense(10, activation="softmax", name="output_layer"),
    ],
    name="simple_classifier",
)

# 打印模型概览
model.summary()

运行 model.summary() 会输出类似如下内容：

模型: "simple_classifier"
┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━┓
┃ 层 (类型)                    ┃ 输出形状              ┃    参数数量 ┃
┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━┩
│ hidden_layer_1 (Dense)          │ (None, 128)               │    100,480 │
├─────────────────────────────────┼───────────────────────────┼────────────┤
│ hidden_layer_2 (Dense)          │ (None, 64)                │      8,256 │
├─────────────────────────────────┼───────────────────────────┼────────────┤
│ output_layer (Dense)            │ (None, 10)                │        650 │
└─────────────────────────────────┴───────────────────────────┴────────────┘
 总参数: 109,386 (427.29 KB)
 可训练参数: 109,386 (427.29 KB)
 不可训练参数: 0 (0.00 B)

我们来分解一下这些输出内容：

1. 模型名称： 给模型的命名（本例中为 simple_classifier）。
2. 层名称和类型： 每行对应模型中的一个层，显示其用户定义的名称（如果提供，否则 Keras 会生成一个）及其类型（例如，Dense）。请注意，Input 对象本身不作为层列在概览表中，但其输入形状用于计算第一个连接层的参数 (parameter)。
3. 输出形状： 此列显示每个层生成的输出张量的形状。None 维度表示批次大小，它通常是可变的，直到训练时才确定。例如，(None, 128) 表示第一个 Dense 层输出的张量中，批次中的每个样本的形状都是 (128,)。
4. 参数数量： 这显示了每个层中可训练参数（权重 (weight)和偏置 (bias)）的总数。我们来看看 Dense 层的这些参数是如何计算的：
   • hidden_layer_1：输入形状为 (784,)。该层有 128 个单元。权重数量为 $输入单元数 \times 层单元数 = 784 \times 128 = 100352$。每个单元也有一个偏置项，所以总偏置数量 = 128。总参数 = $100352 + 128 = 100480$。
   • hidden_layer_2：输入形状是前一层的输出形状，(128,)。该层有 64 个单元。权重 = $128 \times 64 = 8192$。偏置 = 64。总参数 = $8192 + 64 = 8256$。
   • output_layer：输入形状为 (64,)。该层有 10 个单元。权重 = $64 \times 10 = 640$。偏置 = 10。总参数 = $640 + 10 = 650$。
5. 总参数： 所有层中参数的总和。
6. 可训练参数： 在训练过程中通过反向传播 (backpropagation)更新的参数数量。
7. 不可训练参数： 在训练过程中不更新的参数（例如，冻结层中的参数，常用于迁移学习 (transfer learning)）。

summary() 方法非常有用，可用于快速检查各层连接是否符合预期、输出形状是否合理以及了解模型的大小。

可视化模型结构

尽管 summary() 很有用，但视觉图示通常能更清晰地展现模型结构，特别是对于使用函数式 API 构建的、涉及多输入、多输出或共享层的复杂结构。Keras 为此提供了 keras.utils.plot_model 函数。

要使用 plot_model，你可能需要安装额外的库：pydot 和 graphviz。通常可以使用 pip 安装它们：

pip install pydot graphviz

（注意：如果 Python 包不包含 Graphviz 二进制文件，你可能还需要在操作系统上单独安装它们。请查看 Graphviz 文档获取安装说明。）

依赖项准备好后，就可以绘制模型图：

# 假设变量 'model' 持有前面定义的 Keras 模型
keras.utils.plot_model(
    model,
    to_file="simple_classifier_model.png", # 将图保存到文件
    show_shapes=True,             # 显示形状信息
    show_layer_names=True,        # 显示层名称
    show_layer_activations=True,  # 显示激活函数
    rankdir="TB"                  # 方向：TB=从上到下，LR=从左到右
)

这段代码会生成一个图像文件（simple_classifier_model.png），其中包含网络的图示。show_shapes、show_layer_names 和 show_layer_activations 参数 (parameter)会为图中的节点添加有用的信息。

以下是 plot_model 可能为我们的简单分类器生成的图示，使用 graphviz dot 语言表示：

一个表示简单分类器模型的图示。节点列出层名称、类型、输出形状和激活函数 (activation function)。箭头表示数据流向。

可视化模型尤其有益，在使用函数式 API 时，因为它清晰地显示了层之间的连接，这些连接可以是费线性的。这有助于确认你正确连接了各层，特别是在具有分支或多输入/输出的模型中。

summary() 和 plot_model 都是你 Keras 工具集中的重要工具，用于查看、理解和调试你构建的神经网络 (neural network)结构。