是的，请尝试检查，
keras.utils其中具有此处
plot_model()详细说明的方法。似乎您已经熟悉了该方法，但这是另一个选择。它的用法类似于：
keras.utils.vis_utils``model_to_dot
from keras.utils import plot_modelplot_model(model, to_file='model.png')
老实说，这是我仅使用Keras就能找到的最好的方法。照常使用
model.summary()有时也会很有用。我还希望有一些工具可以更好地可视化一个人的模型，甚至可以查看每层的权重来决定最佳的网络结构和初始化（如果您知道一个，请告诉：]）。
当前可能最好的选择是在
Tensorboard
上可视化内容，您可以通过TensorBoard
Callback将其包含在Keras中。这使您可以可视化您的训练和感兴趣的指标，以及有关图层激活，偏差和内核等的一些信息。基本上，在拟合模型之前，您必须将此代码添加到程序中：
from keras.callbacks import TensorBoard#indicate folder to save, plus other optionstensorboard = TensorBoard(log_dir='./logs/run1', histogram_freq=1, write_graph=True, write_images=False)#save it in your callback list, where you can include other callbackscallbacks_list = [tensorboard]#then pass to fit as callback, remember to use validation_data alsoregressor.fit(X, Y, callbacks=callbacks_list, epochs=64, validation_data=(X_test, Y_test), shuffle=True)
然后，您可以在终端上使用以下命令运行Tensorboard（在Web服务上本地运行）：
tensorboard --logdir=/logs/run1
然后，这将指示您在哪个端口上可视化您的培训。如果您得到不同的运行，则可以通过
--logdir=/logs，以便能够将它们一起可视化以进行比较。当然，使用Tensorboard时还有更多选择，因此如果您考虑使用Tensorboard，建议您检查其中包含的链接。
