模型结构图输出

关注

原创最新推荐文章于 2026-03-10 00:01:01 发布 1.7k 阅读 AI 写同款· GEO 优化 ›

YOLOv5s 模型结构全图解：从输入到输出的每一层都讲透输出层级特征图尺寸输出通道数P3/880×80256P4/1640×40512P5/3220×201024✅ 这些 anchor 是通过 K-Means 聚类 COCO 数据集得到的，与 YOLOv4 相同。│├─ Focus Layer → Conv + Slice 操作├─ CSPDarknet53 主干网络││ ├─ 上采样 + Concatenate│ └─ C3 Block + 下采样│模块内容✅ 主干网络CSPDarknet53（轻量化版本）阅读详情

import tensorflow as tf
from keras.utils.vis_utils import plot_model

input = tf.keras.Input(shape=(100,), dtype='int32', name='input')
x = tf.keras.layers.Embedding(
    output_dim=512, input_dim=10000, input_length=100)(input)
x = tf.keras.layers.LSTM(32)(x)
x = tf.keras.layers.Dense(64, activation='relu')(x)
x = tf.keras.layers.Dense(64, activation='relu')(x)
x = tf.keras.layers.Dense(64, activation='relu')(x)
output = tf.keras.layers.Dense(1, activation='sigmoid', name='output')(x)
model = tf.keras.Model(inputs=[input], outputs=[output])
dot_img_file = '/tmp/model_1.png'
plot_model(model, to_file=dot_img_file, show_shapes=True)

方式二：

import tensorflow as tf

input = tf.keras.Input(shape=(100,), dtype='int32', name='input')
x = tf.keras.layers.Embedding(
    output_dim=512, input_dim=10000, input_length=100)(input)
x = tf.keras.layers.LSTM(32)(x)
x = tf.keras.layers.Dense(64, activation='relu')(x)
x = tf.keras.layers.Dense(64, activation='relu')(x)
x = tf.keras.layers.Dense(64, activation='relu')(x)
output = tf.keras.layers.Dense(1, activation='sigmoid', name='output')(x)
model = tf.keras.Model(inputs=[input], outputs=[output])
dot_img_file = '/tmp/model_1.png'
tf.keras.utils.plot_model(model, to_file=dot_img_file, show_shapes=True)

二者其实内部是调用的同一个部分

收录于