如何比较不同 Keras 模型的权重？

我已经以 .h5 格式保存了许多模型。我想比较他们的特征，例如重量。 我不知道如何以表格和数字的形式适当地比较它们。 提前致谢。

体重内省是一项相当高级的工作，需要针对特定​​模型的处理。可视化权重在很大程度上是一项技术挑战，但如何处理这些信息则是另一回事 - 我将主要讨论前者，但会涉及后者。

Update: 我也推荐See RNN用于权重、梯度和激活可视化。

可视化权重：一种方法如下：

1. 检索感兴趣层的权重。Ex: model.layers[1].get_weights()
2. 了解权重角色和维度。Ex：LSTM 有三组权重：kernel, recurrent, and bias，每个都有不同的目的。Within每个权重矩阵是gate权重 - 输入、单元格、忘记、输出。对于 Conv 层，区别在于过滤器 (dim0)、内核和步幅之间。
3. 根据 (2) 以有意义的方式组织权重矩阵以进行可视化。Ex：对于 Conv 来说，与 LSTM 不同，特定特征的处理并不是真正必要的，我们可以简单地展平核权重和偏差权重，并在直方图中将它们可视化
4. 选择可视化方法：直方图、热图、散点图等 - 对于扁平化数据，直方图是最佳选择

解释重量: 一些方法是：

• Sparsity：如果权重范数（“平均”）较低，则模型是稀疏的。可能有好处，也可能没有好处。
• Health：如果太多权重为零或接近于零，则表明有太多死亡神经元；这对于调试很有用，因为一旦某个层处于这种状态，它通常不会恢复 - 因此应该重新开始训练
• 稳定：如果权重变化很大且很快，或者有很多高值权重，则可能表明梯度性能受损，可以通过例如梯度裁剪或权重约束

型号对比：没有一种方法可以简单地并排查看来自不同模型的两个权重并决定“这是更好的一个”；分别分析每个模型，例如如上所述，然后决定哪个模型的优点大于缺点。

然而，最终的决胜局将是验证性能- 而且这也是更实用的一种。它是这样的：

1. 训练多个超参数配置的模型
2. 选择具有最佳验证性能的一个
3. 微调该模型（例如通过进一步的超参数配置）

权重可视化应该主要作为一种调试或记录工具 - 简而言之，即使我们目前对神经网络有最好的理解，也无法仅通过查看权重来判断模型的泛化效果如何。

建议：也可视化层outputs - see 这个答案和底部的示例输出。

视觉示例:

from tensorflow.keras.layers import Input, Conv2D, Dense, Flatten
from tensorflow.keras.models import Model

ipt = Input(shape=(16, 16, 16))
x   = Conv2D(12, 8, 1)(ipt)
x   = Flatten()(x)
out = Dense(16)(x)

model = Model(ipt, out)
model.compile('adam', 'mse')

X = np.random.randn(10, 16, 16, 16)  # toy data
Y = np.random.randn(10, 16)  # toy labels
for _ in range(10):
    model.train_on_batch(X, Y)

def get_weights_print_stats(layer):
    W = layer.get_weights()
    print(len(W))
    for w in W:
        print(w.shape)
    return W

def hist_weights(weights, bins=500):
    for weight in weights:
        plt.hist(np.ndarray.flatten(weight), bins=bins)

W = get_weights_print_stats(model.layers[1])
# 2
# (8, 8, 16, 12)
# (12,)

hist_weights(W)

Conv1D 输出可视化: (source)