如何在Keras函数式API构建神经网络过程中查看模型摘要

当然可以！你完全不用等到整个模型定义完成才能查看层结构和参数信息。在Keras函数式API的构建流程中，每完成一个阶段的层堆叠后，都可以通过临时创建小型Model的方式，快速查看当前阶段的模型摘要，就像调用完整模型的summary()一样。

具体实现方法 #

思路很简单：针对每个阶段的输入和输出张量，临时生成一个Model实例，调用它的summary()方法查看信息。这些临时模型不会干扰后续的层构建，因为Keras函数式API是基于张量的连接关系来工作的，临时模型只是对现有张量链路的封装，不会修改原有的层或张量。

修改后的示例代码 #

from tensorflow import keras
from tensorflow.keras.layers import Input, Conv2D, MaxPooling2D

# 输入张量
input_img = Input(shape=(256, 256, 3))

# Stage 1: 完成tower_1构建后查看
tower_1 = Conv2D(64, (1, 1), padding='same', activation='relu')(input_img)
tower_1 = Conv2D(64, (3, 3), padding='same', activation='relu')(tower_1)  # stage1
# 临时创建模型查看Stage1的结构与参数
temp_stage1 = keras.Model(inputs=input_img, outputs=tower_1)
print("=== Stage 1 模型摘要 ===")
temp_stage1.summary()

# Stage 2: 完成tower_2构建后查看
tower_2 = Conv2D(64, (1, 1), padding='same', activation='relu')(input_img)
tower_2 = Conv2D(64, (5, 5), padding='same', activation='relu')(tower_2)  # stage2
temp_stage2 = keras.Model(inputs=input_img, outputs=tower_2)
print("\n=== Stage 2 模型摘要 ===")
temp_stage2.summary()

# Stage 3: 完成tower_3构建后查看
tower_3 = MaxPooling2D((3, 3), strides=(1, 1), padding='same')(input_img)
tower_3 = Conv2D(64, (1, 1), padding='same', activation='relu')(tower_3)  # stage3
temp_stage3 = keras.Model(inputs=input_img, outputs=tower_3)
print("\n=== Stage 3 模型摘要 ===")
temp_stage3.summary()

# 最终构建完整模型
output = keras.layers.concatenate([tower_1, tower_2, tower_3], axis=1)
final_model = keras.Model(inputs=input_img, outputs=output)
print("\n=== 最终完整模型摘要 ===")
final_model.summary()

额外小技巧 #

如果你只想查看某一层的参数数量，也可以直接访问层的count_params()方法，比如查看Stage1最后一层的参数：

print(f"Stage1最后一层参数数量: {tower_1._keras_history.layer.count_params()}")

这种方式能让你在构建大型模型的过程中，随时验证每一部分的层结构、输出形状和参数是否符合预期，非常方便调试。

内容的提问来源于stack exchange，提问作者Eka