TensorFlow2 入門指南 | 14 網路模型的裝配、訓練與評估

前言：

本專欄在保證內容完整性的基礎上，力求簡潔，旨在讓初學者能夠更快地、高效地入門TensorFlow2 深度學習框架，如果覺得本專欄對您有幫助的話，可以給一個小小的三連，各位的支持將是我創作的最大動力！

系列文章匯總：TensorFlow2 入門指南
Github專案地址：https://github.com/Keyird/TensorFlow2-for-beginner

經過前面的兩篇文章：

• TensorFlow2 入門指南 | 12 tf.keras.Sequential 搭建簡單網路模型
• TensorFlow2 入門指南 | 13 Keras Functional API 搭建復雜網路模型

我們學會了如何去搭建簡單和復雜的網路模型，網路搭建好意味著成功了一半，下面就是模型的裝配、訓練和評估環節！

一、模型的裝配

通過模型裝配可以指定模型訓練時的損失函式、評價指標和優化器，TensorFLow 提供了內部函式 compile() 進行模型的裝配，

compile函式定義如下：

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

函式重要引數解釋如下：

其中，metrics 引數為串列，你的模型可以具有任意數量的指標，

下面給出一個簡單的例子：

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個輸出，則可以為每個輸出指定不同的損失和指標，并且可以調整每個輸出對模型總損失的貢獻，后面的文章將會帶你具體了解，

TensorFLow 提供許多內置優化器、損失函式和評價指標，對于初學者來說，你不必從頭開始創建自己的損失、指標或優化器，可以選擇直接呼叫：

當然，對于進階者而言，需要進一步掌握如何自定義損失函式、評價指標，這也是我在后面文章中將要帶大家學習的內容，

二、模型的訓練

當模型搭建、裝配完畢，就可以進行模型的訓練了，TensorFlow 提供了內置函式 fit() 來進行模型訓練，函式定義如下：

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
)

函式重要引數解釋如下：

具體可參考：https://tensorflow.google.cn/api_docs/python/tf/keras/Model

下面給出一個簡單的例子：

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

三、模型的評估

模型進行訓練時，想要知道模型泛化性能如何，就需要同步對測驗機進行評估，從而作為評估模型訓練好壞的標準之一，

在TensorFlow中，提供了evaluate()函式方便開發者使用，其定義如下：

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
)

函式重要引數解釋如下：

下面給出一個簡單的例子：

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

四、小試牛刀

根據以上學習內容，針對MNIST資料集，實作手寫數字識別，下面分別進行：資料集加載、模型搭建、模型裝配、模型訓練、評估測驗集，完整代碼如下：

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

# 資料集準備
(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")

# 訓練集
x_train = x_train[:-10000]
y_train = y_train[:-10000]

# 驗證集
x_val = x_train[-10000:]
y_val = y_train[-10000:]

# 網路搭建
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])

# 模型的裝配
model.compile(
    optimizer=keras.optimizers.RMSprop(),  # Optimizer
    loss=keras.losses.SparseCategoricalCrossentropy(),
    metrics=[keras.metrics.SparseCategoricalAccuracy()],
)

# 模型的訓練
history = model.fit(
    x_train,
    y_train,
    batch_size=64,
    epochs=10,
    validation_data=(x_val, y_val),  # at the end of each epoch
)

# 評估測驗集
print("Evaluate on test data")
results = model.evaluate(x_test, y_test, batch_size=128)
print("test loss, test acc:", results)

代碼運行結果：

本教程所有代碼會逐漸上傳github倉庫：https://github.com/Keyird/TensorFlow2-for-beginner
如果對你有幫助的話，歡迎star收藏~

最好的關系是互相成就，各位的「三連」就是【AI 菌】創作的最大動力，我們下期見！