Visualiser le modèle Keras avec Python 3.5
Objectif
J'utilise Python3.5, environnement Anaconda4.3. Il s'agit de la procédure de visualisation du modèle LSTM créé avec Keras avec pydot + Graphviz sur le bloc-notes Jupyter. Le système d'exploitation est CentOS 7.3.
Voici comment visualiser le modèle Keras, mais je vais l'expliquer en incluant les packages nécessaires. https://keras.io/visualization/
procédure
- Installez graphviz sur le système d'exploitation avec yum.
- Installez pydot et graphviz avec pip.
- Visualisez le modèle avec le bloc-notes Jupyter.
Installez graphviz sur OS avec yum
Graphviz lui-même est un package qui n'a rien à voir avec Python. http://www.graphviz.org/About.php
Cela fonctionne non seulement sur CentOS mais aussi sur OS, alors installez-le d'abord.
sudo yum -y install graphviz
Installez pydot et graphviz avec pip
Vous avez besoin de pydot et graphviz pour visualiser le modèle à l'aide de graphviz en Python. Ce graphviz est un wrapper Python pour le package OS.
pip install pydot graphviz
Vous l'avez maintenant installé, mais vous aurez peut-être besoin des éléments suivants pour le visualiser, en fonction de votre environnement:
pip install pydot3 pydot-ng
Visualisons le modèle avec Jupyter Notebook
Lancez Jupyter Notebook et écrivez le modèle LSTM dans Keras. Cette fois, j'utiliserai le modèle ici. http://machinelearningmastery.com/sequence-classification-lstm-recurrent-neural-networks-python-keras/
import numpy as np
import pydot
from keras.datasets import imdb
from keras.models import Sequential
from keras.layers import Dense, LSTM
from keras.layers.embeddings import Embedding
from keras.preprocessing import sequence
from keras.utils.visualize_util import model_to_dot
from IPython.display import SVG
np.random.seed(7)
top_words = 5000
(x_train, y_train), (x_test, y_test) = imdb.load_data(nb_words=top_words)
max_review_length = 500
x_train = sequence.pad_sequences(x_train, maxlen=max_review_length)
x_test = sequence.pad_sequences(x_test, maxlen=max_review_length)
embedding_vector_length = 32
model = Sequential()
model.add(Embedding(top_words, embedding_vector_length, input_length=max_review_length))
model.add(LSTM(100))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
#Visualisez maintenant le modèle.
SVG(model_to_dot(model).create(prog='dot', format='svg'))
model.fit(x_train, y_train, validation_data=(x_test, y_test), nb_epoch=3, batch_size=64)
scores = model.evaluate(x_test, y_test, verbose=0)
print ("accuracy: %.3f%%" % (scores[1]*100))
Vous pouvez maintenant visualiser le modèle comme indiqué ci-dessous.
Recommended Posts