Keras的底層庫(kù)使用Theano或TensorFlow，這兩個(gè)庫(kù)也稱為Keras的后端。無(wú)論是Theano還是TensorFlow，都需要提前定義好網(wǎng)絡(luò)的結(jié)構(gòu)，也就是常說(shuō)的“計(jì)算圖”。

在運(yùn)行前需要對(duì)計(jì)算圖編譯，然后才能輸出結(jié)果。那這里面主要有兩個(gè)問(wèn)題，第一是這個(gè)圖結(jié)構(gòu)在運(yùn)行中不能任意更改，比如說(shuō)計(jì)算圖中有一個(gè)隱含層，神經(jīng)元的數(shù)量是100，你想動(dòng)態(tài)的修改這個(gè)隱含層神經(jīng)元的數(shù)量那是不可以的；第二是調(diào)試?yán)щy，keras沒(méi)有內(nèi)置的調(diào)試工具，所以計(jì)算圖的中間結(jié)果是很難看到的，一旦最終輸出跟預(yù)想不一致，很難找到問(wèn)題所在。

這里談一談本人調(diào)試keras的一些經(jīng)驗(yàn)：

分階段構(gòu)建你的神經(jīng)網(wǎng)絡(luò)

不要一口氣把整個(gè)網(wǎng)絡(luò)全部寫(xiě)完，這樣很難保證中間結(jié)果的正確性。加如一個(gè)CNN文本分類模型是這樣的（如下代碼），應(yīng)該在加了Embedding層后，停止，打印一下中間結(jié)果，看看跟embedding向量能不能對(duì)上，輸出的shape對(duì)不對(duì)。對(duì)上了再進(jìn)行下一步操作。

有的人覺(jué)得這樣很浪費(fèi)時(shí)間，但是除非你能一遍寫(xiě)對(duì)，否則你將花上5倍的時(shí)間發(fā)現(xiàn)錯(cuò)誤。

 # model parameters:
 embedding_dims = 50
 cnn_filters = 100
 cnn_kernel_size = 5
 dense_hidden_dims = 200
 model = Sequential()
 model.add(Embedding(nb_words,embedding_dims,input_length=maxlen))
 model.add(Dropout(0.5))
 model.add(Conv1D(cnn_filters, cnn_kernel_size,padding='valid', activation='relu'))
 model.add(GlobalMaxPooling1D())
 model.add(Dense(dense_hidden_dims))
 model.add(Dropout(0.5))
 model.add(Activation('relu'))
 model.add(Dense(1))
 model.add(Activation('sigmoid'))
 return model

使用K.function()函數(shù)打印中間結(jié)果

function函數(shù)可以接收傳入數(shù)據(jù)，并返回一個(gè)numpy數(shù)組。使用這個(gè)函數(shù)我們可以方便地看到中間結(jié)果，尤其對(duì)于變長(zhǎng)輸入的Input。

下面是官方關(guān)于function的文檔。

function

keras.backend.function(inputs, outputs, updates=None)

實(shí)例化 Keras 函數(shù)。

參數(shù)

inputs: 占位符張量列表。

outputs: 輸出張量列表。

updates: 更新操作列表。

**kwargs: 需要傳遞給 tf.Session.run 的參數(shù)。

返回

輸出值為 Numpy 數(shù)組。

異常

ValueError: 如果無(wú)效的 kwargs 被傳入。

example

下面這個(gè)例子是打印一個(gè)LSTM層的中間結(jié)果，值得注意的是這個(gè)LSTM的sequence是變長(zhǎng)的，可以看到輸出的結(jié)果sequence長(zhǎng)度分別是64和128

 import keras.backend as K
 from keras.layers import LSTM, Input
 import numpy as np
 
 I = Input(shape=(None, 200)) 
 lstm = LSTM(20, return_sequences=True)
 f = K.function(inputs=[I], outputs=[lstm(I)])
 
 data1 = np.random.random(size=(2, 64, 200)) 
 print(f([data1])[0].shape)
 
 data2 = np.random.random(size=(2, 128, 200)) 
 print(f([data2])[0].shape)
 
 K.clear_session()
 
 # (2, 64, 20)
 # (2, 128, 20)

其他的調(diào)試技巧

有頻繁張量變換操作的，如dot, mat, reshape等等，記得加一行形狀變化的注釋，如（100， 128）--> (100, 64)

可以使用tensorboard查看網(wǎng)絡(luò)的參數(shù)情況

確保你的數(shù)據(jù)沒(méi)有問(wèn)題，很多時(shí)候輸出不對(duì)不是神經(jīng)網(wǎng)絡(luò)有問(wèn)題，而是數(shù)據(jù)有問(wèn)題

以上這篇使用K.function()調(diào)試keras操作就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

最新評(píng)論