https://blog.csdn.net/leviopku/article/details/81433867
1、pip install pydot、pip install pydot_ng、pip install graphviz(不知道是pydot和pydot_ng哪个有用，都装上是没有错的）
2、安装graphviz(可以自己找）
3、最关键的安装路径要在C盘，我觉得之前没成功可能就在于路径吧
4、最后将环境变量加进去，检查添加成功的方法
>>>import os
>>>os.environ.get(‘PATH‘, ‘‘)
然后就成功啦，但是我用他的程序运行失败了，自己又重新找了一段
import numpy as np from keras import layers from keras.layers import Input, Dense, Activation, ZeroPadding2D, BatchNormalization, Flatten, Conv2D from keras.layers import AveragePooling2D, MaxPooling2D, Dropout, GlobalMaxPooling2D, GlobalAveragePooling2D from keras.models import Model from keras.preprocessing import image from keras.utils import layer_utils from keras.utils.data_utils import get_file from keras.applications.imagenet_utils import preprocess_input import pydot from IPython.display import SVG from keras.utils.vis_utils import model_to_dot from keras.utils import plot_model import kt_utils import keras.backend as K K.set_image_data_format(‘channels_last‘) import matplotlib.pyplot as plt from matplotlib.pyplot import imshow %matplotlib inline def HappyModel(input_shape): """ 实现一个检测笑容的模型 参数： input_shape - 输入的数据的维度 返回： model - 创建的Keras的模型 """ #你可以参考和上面的大纲 X_input = Input(input_shape) #使用0填充：X_input的周围填充0 X = ZeroPadding2D((3, 3))(X_input) #对X使用 CONV -> BN -> RELU 块 X = Conv2D(32, (7, 7), strides=(1, 1), name=‘conv0‘)(X) X = BatchNormalization(axis=3, name=‘bn0‘)(X) X = Activation(‘relu‘)(X) #最大值池化层 X = MaxPooling2D((2, 2), name=‘max_pool‘)(X) #降维，矩阵转化为向量 + 全连接层 X = Flatten()(X) X = Dense(1, activation=‘sigmoid‘, name=‘fc‘)(X) #创建模型，讲话创建一个模型的实体，我们可以用它来训练、测试。 model = Model(inputs=X_input, outputs=X, name=‘HappyModel‘) return model def HappyModel(input_shape): """ 实现一个检测笑容的模型 参数： input_shape - 输入的数据的维度 返回： model - 创建的Keras的模型 """ #你可以参考和上面的大纲 X_input = Input(input_shape) #使用0填充：X_input的周围填充0 X = ZeroPadding2D((3, 3))(X_input) #对X使用 CONV -> BN -> RELU 块 X = Conv2D(32, (7, 7), strides=(1, 1), name=‘conv0‘)(X) X = BatchNormalization(axis=3, name=‘bn0‘)(X) X = Activation(‘relu‘)(X) #最大值池化层 X = MaxPooling2D((2, 2), name=‘max_pool‘)(X) #降维，矩阵转化为向量 + 全连接层 X = Flatten()(X) X = Dense(1, activation=‘sigmoid‘, name=‘fc‘)(X) #创建模型，讲话创建一个模型的实体，我们可以用它来训练、测试。 model = Model(inputs=X_input, outputs=X, name=‘HappyModel‘) return model plot_model(HappyModel)
这段应该可以。
原文：https://www.cnblogs.com/wdd35790/p/13742154.html