TensorFlow2 入门指南 | 14 网络模型的装配、训练与评估

前言：

本专栏在保证内容完整性的基础上，力求简洁，旨在让初学者能够更快地、高效地入门TensorFlow2 深度学习框架。如果觉得本专栏对您有帮助的话，可以给一个小小的三连，各位的支持将是我创作的最大动力！

系列文章汇总：TensorFlow2 入门指南
Github项目地址：https://github.com/Keyird/TensorFlow2-for-beginner

经过前面的两篇文章：

• TensorFlow2 入门指南 | 12 tf.keras.Sequential 搭建简单网络模型
• TensorFlow2 入门指南 | 13 Keras Functional API 搭建复杂网络模型

我们学会了如何去搭建简单和复杂的网络模型，网络搭建好意味着成功了一半，下面就是模型的装配、训练和评估环节！

文章目录

一、模型的装配

通过模型装配可以指定模型训练时的损失函数、评价指标和优化器，TensorFLow 提供了内部函数 compile() 进行模型的装配。

compile函数定义如下：

compile(
    optimizer='rmsprop', loss=None, metrics=None, loss_weights=None,
    weighted_metrics=None, run_eagerly=None, steps_per_execution=None,**kwargs
)

函数重要参数解释如下：
参数解释optimizer优化器loss损失函数metrics评价指标……
其中，metrics 参数为列表，你的模型可以具有任意数量的指标。

下面给出一个简单的例子：

model.compile(
    optimizer=keras.optimizers.RMSprop(learning_rate=1e-3),
    loss=keras.losses.SparseCategoricalCrossentropy(),
    metrics=[keras.metrics.SparseCategoricalAccuracy()],)

注：如果你的模型具有多个输出，则可以为每个输出指定不同的损失和指标，并且可以调整每个输出对模型总损失的贡献，后面的文章将会带你具体了解。

TensorFLow 提供许多内置优化器、损失函数和评价指标。对于初学者来说，你不必从头开始创建自己的损失、指标或优化器，可以选择直接调用：

当然，对于进阶者而言，需要进一步掌握如何自定义损失函数、评价指标，这也是我在后面文章中将要带大家学习的内容。

二、模型的训练

当模型搭建、装配完毕，就可以进行模型的训练了。TensorFlow 提供了内置函数 fit() 来进行模型训练。函数定义如下：

fit(
    x=None, y=None, batch_size=None, epochs=1, verbose='auto',
    callbacks=None, validation_split=0.0, validation_data=None, shuffle=True,
    class_weight=None, sample_weight=None, initial_epoch=0, steps_per_epoch=None,
    validation_hsteps=None, validation_batch_size=None, validation_freq=1,
    max_queue_size=10, workers=1, use_multiprocessing=False)

函数重要参数解释如下：
参数解释x训练输入样本y训练输入标签batch_size一次迭代的样本数epochs训练轮数validation_data验证集……
具体可参考：https://tensorflow.google.cn/api_docs/python/tf/keras/Model

下面给出一个简单的例子：

history = model.fit(
    x_train,
    y_train,
    batch_size=64,
    epochs=10,
    validation_data=(x_val, y_val),)

三、模型的评估

模型进行训练时，想要知道模型泛化性能如何，就需要同步对测试机进行评估，从而作为评估模型训练好坏的标准之一。

在TensorFlow中，提供了evaluate()函数方便开发者使用，其定义如下：

evaluate(
    x=None, y=None, batch_size=None, verbose=1, sample_weight=None, steps=None,
    callbacks=None, max_queue_size=10, workers=1, use_multiprocessing=False,
    return_dict=False,**kwargs
)

函数重要参数解释如下：
参数解释x测试输入样本y测试输入标签batch_size一次测试输入的样本数……
下面给出一个简单的例子：

results = model.evaluate(x_test, y_test, batch_size=128)

四、小试牛刀

根据以上学习内容，针对MNIST数据集，实现手写数字识别。下面分别进行：数据集加载、模型搭建、模型装配、模型训练、评估测试集。完整代码如下：

"""
note: compile/fit/evaluate
author: AI JUN
date: 2022/1/5
"""from tensorflow import keras
from tensorflow.keras import layers

# 数据集准备(x_train, y_train),(x_test, y_test)= keras.datasets.mnist.load_data()

x_train = x_train.reshape(60000,784).astype("float32")/255.
x_test = x_test.reshape(10000,784).astype("float32")/255.

y_train = y_train.astype("float32")
y_test = y_test.astype("float32")# 训练集
x_train = x_train[:-10000]
y_train = y_train[:-10000]# 验证集
x_val = x_train[-10000:]
y_val = y_train[-10000:]# 网络搭建
model = keras.Sequential([
    layers.Dense(64, activation="relu", name="layer1"),
    layers.Dense(64, activation="relu", name="layer2"),
    layers.Dense(10, activation="softmax", name="predictions"),])
model.build(input_shape=[None,28*28])# 模型的装配
model.compile(
    optimizer=keras.optimizers.RMSprop(),# Optimizer
    loss=keras.losses.SparseCategoricalCrossentropy(),
    metrics=[keras.metrics.SparseCategoricalAccuracy()],)# 模型的训练
history = model.fit(
    x_train,
    y_train,
    batch_size=64,
    epochs=10,
    validation_data=(x_val, y_val),# at the end of each epoch)# 评估测试集print("Evaluate on test data")
results = model.evaluate(x_test, y_test, batch_size=128)print("test loss, test acc:", results)

代码运行结果：

本教程所有代码会逐渐上传github仓库：https://github.com/Keyird/TensorFlow2-for-beginner
如果对你有帮助的话，欢迎star收藏~

最好的关系是互相成就，各位的「三连」就是【AI 菌】创作的最大动力，我们下期见！