使用K.function()调试keras操作
Keras的底层库使用Theano或TensorFlow，这两个库也称为Keras的后端。无论是Theano还是TensorFlow，都需要提前定义好网络的结构，也就是常说的“计算图”。
在运行前需要对计算图编译，然后才能输出结果。那这里面主要有两个问题，第一是这个图结构在运行中不能任意更改，比如说计算图中有一个隐含层，神经元的数量是100，你想动态的修改这个隐含层神经元的数量那是不可以的；第二是调试困难，keras没有内置的调试工具，所以计算图的中间结果是很难看到的，一旦最终输出跟预想不一致，很难找到问题所在。
这里谈一谈本人调试keras的一些经验：
分阶段构建你的神经网络
不要一口气把整个网络全部写完，这样很难保证中间结果的正确性。加如一个CNN文本分类模型是这样的（如下代码），应该在加了Embedding层后，停止，打印一下中间结果，看看跟embedding向量能不能对上，输出的shape对不对。对上了再进行下一步操作。
有的人觉得这样很浪费时间，但是除非你能一遍写对，否则你将花上5倍的时间发现错误。
#modelparameters:
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'))
returnmodel
使用K.function()函数打印中间结果
function函数可以接收传入数据，并返回一个numpy数组。使用这个函数我们可以方便地看到中间结果，尤其对于变长输入的Input。
下面是官方关于function的文档。
function
keras.backend.function(inputs,outputs,updates=None)
实例化Keras函数。
参数
inputs:占位符张量列表。
outputs:输出张量列表。
updates:更新操作列表。
**kwargs:需要传递给tf.Session.run的参数。
返回
输出值为Numpy数组。
异常
ValueError:如果无效的kwargs被传入。
example
下面这个例子是打印一个LSTM层的中间结果，值得注意的是这个LSTM的sequence是变长的，可以看到输出的结果sequence长度分别是64和128
importkeras.backendasK fromkeras.layersimportLSTM,Input importnumpyasnp 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)
其他的调试技巧
有频繁张量变换操作的，如dot,mat,reshape等等，记得加一行形状变化的注释，如（100，128）-->(100,64)
可以使用tensorboard查看网络的参数情况
确保你的数据没有问题，很多时候输出不对不是神经网络有问题，而是数据有问题
以上这篇使用K.function()调试keras操作就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。