在R Studio中获取Keras/TensorFlow训练模型的激活函数及超参数

一、查看各层的激活函数 #

summary()确实只展示模型的基本结构框架，要查看每一层的激活函数，你需要遍历模型的每一层，提取层的配置细节。这里分两种常见情况处理：

1. 层内置激活函数（比如Dense层里的activation参数）
   可以用lapply遍历模型的layers集合，提取每个层的$config$activation属性：

   # 遍历每一层，输出层名称和对应的激活函数
   lapply(my_model$layers, function(layer) {
     list(
       层名称 = layer$name,
       激活函数 = layer$config$activation
     )
   })
   

   要是某层没有内置激活函数（比如单独使用Activation层的情况），这里会返回NULL，方便你区分。

2. 单独的Activation层
   对于单独定义的layer_activation()层，上面的代码同样能捕获到它的激活函数，因为这类层的核心配置就是激活函数名。

如果想让结果更规整，也可以转成数据框格式：

activation_df <- do.call(rbind, lapply(my_model$layers, function(layer) {
  data.frame(
    层名称 = layer$name,
    激活函数 = ifelse(is.null(layer$config$activation), "无", layer$config$activation),
    stringsAsFactors = FALSE
  )
}))

print(activation_df)

二、查看训练时的epoch数、batch size等超参数 #

很可惜，默认情况下Keras的.h5模型文件不会自动保存训练时的epoch、batch size这类超参数——模型文件主要存储层结构、权重和优化器状态（如果保存时指定了的话），但训练过程的超参数不属于模型本身的结构，不会被记录。

不过有两种方式可以获取这些信息：

1. 如果训练时保存了history对象
   要是你训练模型时把结果存在了history变量里（比如history <- fit(my_model, x_train, y_train, epochs = 50, batch_size = 32)），那直接从history里提取就行：

   # 获取训练用的总epoch数
   total_epochs <- length(history$epoch)
   # 获取训练时使用的batch size
   training_batch_size <- history$params$batch_size
   

   哪怕当时没手动指定batch_size，Keras的默认值（一般是32）也会被记录在history的params里。

2. 如果没保存history，只能提前做补救措施
   这种情况下没法从已有的.h5模型里恢复这些超参数，建议以后训练时：

   • 手动把超参数存到单独的RData文件：

     # 定义并保存训练超参数
     training_params <- list(
       epochs = 50,
       batch_size = 32,
       learning_rate = 0.001
     )
     save(training_params, file = "training_params.RData")
     

   • 或者把超参数添加到模型的自定义属性后再保存：

     # 给模型添加自定义超参数属性
     my_model$training_params <- list(epochs = 50, batch_size = 32)
     # 保存带超参数的模型
     save_model_hdf5(my_model, "my_model_with_params.h5")
     

     下次加载模型后，直接用my_model$training_params就能查看这些超参数了。

内容的提问来源于stack exchange，提问作者Strickland