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。

# 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

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。