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。
Github项目地址：https://github.com/Keyird/TensorFlow2-for-beginner
经过前面的两篇文章，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
- 二、模型的训练
- 三、模型的评估
- 四、小试牛刀
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
