Keras的底層庫使用Theano或TensorFlow，這兩個庫也稱為Keras的後端。無論是Theano還是TensorFlow，都需要提前定義好網路的結構，也就是常說的“計算圖”。

在執行前需要對計算圖編譯，然後才能輸出結果。那這裡面主要有兩個問題，第一是這個圖結構在執行中不能任意更改，比如說計算圖中有一個隱含層，神經元的數量是100，你想動態的修改這個隱含層神經元的數量那是不可以的；第二是除錯困難，keras沒有內建的除錯工具，所以計算圖的中間結果是很難看到的，一旦最終輸出跟預想不一致，很難找到問題所在。

這裡談一談本人除錯keras的一些經驗：

分階段構建你的神經網路

不要一口氣把整個網路全部寫完，這樣很難保證中間結果的正確性。加如一個CNN文字分類模型是這樣的（如下程式碼），應該在加了Embedding層後，停止，列印一下中間結果，看看跟embedding向量能不能對上，輸出的shape對不對。對上了再進行下一步操作。

有的人覺得這樣很浪費時間，但是除非你能一遍寫對，否則你將花上5倍的時間發現錯誤。

 # 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()函式列印中間結果

function函式可以接收傳入資料，並返回一個numpy陣列。使用這個函式我們可以方便地看到中間結果，尤其對於變長輸入的Input。

下面是官方關於function的文件。

function

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

例項化 Keras 函式。

引數

inputs: 佔位符張量列表。

outputs: 輸出張量列表。

updates: 更新操作列表。

**kwargs: 需要傳遞給 tf.Session.run 的引數。

返回

輸出值為 Numpy 陣列。

異常

ValueError: 如果無效的 kwargs 被傳入。

example

下面這個例子是列印一個LSTM層的中間結果，值得注意的是這個LSTM的sequence是變長的，可以看到輸出的結果sequence長度分別是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()
 
 # (2,20)
 # (2,20)

其他的除錯技巧

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註釋，如（100， 128）--> (100,64)

可以使用tensorboard檢視網路的引數情況

確保你的資料沒有問題，很多時候輸出不對不是神經網路有問題，而是資料有問題

以上這篇使用K.function()除錯keras操作就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。