基於keras(或者tensorflow.keras)構建的模型的summary展示和plot_model結構圖展示

一般在構建模型的時候，如果能在訓練之前就知道模型的參數量和結構圖，就能避免一些低級錯誤。常用的函數有summary和plot_model，下面就一個簡單的個例進行展示

另外，需要說明，在tensorflow 2.0版本中，tf.keras的用法和keras的用法基本一致，兩者的API說明文檔完全可以相互參考。這裏使用tf.keras

1. summary的使用和保存

import numpy as np
import tensorflow as tf
from tensorflow.keras.layers import LSTM,Dense
from tensorflow.keras import Input,Model

num_encoder_tokens=10
latent_dim=20
num_decoder_tokens=15

def lstm_model():
    # 定義編碼器的輸入
    # encoder_inputs (None, num_encoder_tokens), None表示時間步
    encoder_inputs = Input(shape=(None, num_encoder_tokens),name='encoder_inputs')
    
    # 編碼器，return_sequences表示返回每個時間步的輸出，return_state表示返回最後一個時間步的h,c
    encoder = LSTM(latent_dim, return_sequences=True,
                   return_state=True,name='encoder_lstm_1')
 
    # 調用編碼器，得到編碼器的輸出（解碼器的輸入其實不需要），以及狀態信息 state_h 和 state_c
    encoder_outpus, state_h, state_c = encoder(encoder_inputs)
    
    # 丟棄encoder_outputs, 我們只需要編碼器的狀態
    encoder_state = [state_h, state_c]
    
    # 定義解碼器的輸入
    # 同樣的，None表示可以處理任意長度的序列
    decoder_inputs = Input(shape=(None, num_decoder_tokens),name='decoder_inputs')
    
    # 接下來建立解碼器，解碼器將返回整個輸出序列
    # 並且返回其中間狀態，中間狀態在訓練階段不會用到，但是在推理階段將是有用的
    decoder_lstm = LSTM(latent_dim, return_sequences=True, 
                        return_state=True,name='decoder_lstm1')
    
    # 將編碼器輸出的狀態作爲初始解碼器的初始狀態
    decoder_outputs, _, _ = decoder_lstm(decoder_inputs, initial_state=encoder_state)
    
    # 添加全連接層
    decoder_dense = Dense(num_decoder_tokens, activation='softmax',name='decoder_Dense')
    decoder_outputs = decoder_dense(decoder_outputs)
    
    model=Model([encoder_inputs,decoder_inputs],decoder_outputs)
    
    return model

lstm_test_model=lstm_model()   

#line_length表示summary的輸出大小(長度)，
lstm_test_model.summary(line_length=150,positions=[0.30,0.60,0.7,1.])

model的summary信息如下表：
包括四個信息，[layer_name，output_shape，params，connected_to]，即[層名字，輸出維度大小，參數數量，該層的輸入和哪個層相連接]，
sumarry中的參數line_length表示表長度，positions表示四個信息的位置(尾部位置)

上述代碼默認summary在屏幕上輸出，如果想將summary信息輸出成文件，使用下列代碼就行：

#這段代碼用來將model.summary() 輸出保存爲文件
from contextlib import redirect_stdout   
with open('model_summary.txt', 'w') as f:
    with redirect_stdout(f):
        model.summary(line_length=200,positions=[0.30,0.60,0.7,1.0])

打開該文件，

2. plot_model

在使用plot_model畫結構圖之前，需要安裝一些必要的庫
下面是一些教程，可以試試
https://blog.csdn.net/qq_27825451/article/details/89338222 重點
https://blog.csdn.net/sinat_36811967/article/details/79220235
https://blog.csdn.net/weixin_42442855/article/details/89554612 重點
總結下來就是 不要安裝pydot，而是使用pydotplus庫
安裝pydotplus庫需要graphviz庫，這個庫的安裝，也可以使用下面教程
https://blog.csdn.net/weixin_43718675/article/details/88843534

#導入下面的庫
from tensorflow.keras.utils import plot_model  
import pydotplus  

#參數 ：模型名稱，結構圖保存位置，是否展示shape
plot_model(lstm_test_model,to_file='lstm_test_model.png',show_shapes=True)

結構信息如下：

3. 獲取每層的layer維度信息

#輸出所以層的名字，輸入信息維度，輸出信息維度
for layer in lstm_test_model.layers:
    print(layer.name)  
    print(layer.input_shape)
    print(layer.output_shape)  
    print()