TensorFlow：模型装配、训练与测试
在训练网络时，一般的流程是通过前向计算获得网络的输出值，再通过损失函数计算网络误差，然后通过自动求导工具计算梯度并更新，同时间隔性地测试网络的性能。对于这种常用的训练逻辑，可以直接通过Keras 提供的模型装配与训练高层接口实现，简洁清晰。
文章目录
-
- 一、模型装配
- 二、模型匹配
- 三、模型测试
一、模型装配
在 Keras 中，有2 个比较特殊的类：keras.Model 和keras.layers.Layer 类。
其中Layer类是网络层的母类，定义了网络层的一些常见功能，如添加权值，管理权值列表等。
Model 类是网络的母类，除了具有Layer 类的功能，还添加了保存、加载模型，训练与测
试模型等便捷功能。Sequential 也是Model 的子类，因此具有Model 类的所有功能。
# 创建5 层的全连接层网络
network = Sequential([layers.Dense(256, activation='relu'),
layers.Dense(128, activation='relu'),
layers.Dense(64, activation='relu'),
layers.Dense(32, activation='relu'),
layers.Dense(10)])
network.build(input_shape=(None, 28*28))
network.summary()
创建网络后，正常的流程是通过循环迭代数据集多遍，每次按批产生训练数据，前向计算，然后通过损失函数计算误差值，并反向传播自动计算梯度，更新网络参数。这一部分
逻辑由于非常通用，在keras 中提供了compile()和fit()函数方便实现上述逻辑。首先通过compile 函数指定网络使用的优化器对象，损失函数，评价指标等：
# 导入优化器，损失函数模块
from tensorflow.keras import optimizers,losses
# 采用Adam 优化器，学习率为0.01;采用交叉熵损失函数，包含Softmax
network.compile(optimizer=optimizers.Adam(lr=0.01),
loss=losses.CategoricalCrossentropy(from_logits=True),
metrics=['accuracy'] # 设置测量指标为准确率
)
我们在compile()函数中指定的优化器，损失函数等参数也是我们自行训练时需要使用的参
数，并没有什么特别之处，只不过keras 将这部分常用逻辑实现了，提高开发效率。
二、模型匹配
模型装配完成后，即可通过fit()函数送入待训练的数据和验证用的数据集：
# 指定训练集为train_db，验证集为val_db,训练5 个epochs，每2 个epoch 验证一次
# 返回训练信息保存在history 中
history = network.fit(train_db, epochs=5, validation_data=val_db,
validation_freq=2)
其中train_db 为tf.data.Dataset 对象，也可以传入Numpy Array 类型的数据；
epochs 指定训练迭代的epochs 数；validation_data 指定用于验证(测试)的数据集和验证的频率validation_freq。
运行上述代码即可实现网络的训练与验证的功能，fit 函数会返回训练过程的数据记录
history，其中history.history 为字典对象，包含了训练过程中的loss，测量指标等记录项：
history.history # 打印训练记录
可以看到通过 compile&fit 方式实现的代码非常简洁和高效，大大缩减了开发时间。但是因为接口非常高层，灵活性也降低了，是否使用需要用户自行判断。
三、模型测试
Model 基类除了可以便捷地完成网络的装配与训练、验证，还可以非常方便的预测和测试。关于验证和测试的区别，我们会在过拟合章节详细阐述，此处可以将验证和测试理
解为模型评估的一种方式。
通过 Model.predict(x) 方法即可完成模型的预测：
# 加载一个batch 的测试数据
x,y = next(iter(db_test))
print('predict x:', x.shape)
out = network.predict(x) # 模型预测
print(out) // 其中out 即为网络输出
如果只是简单的测试模型的性能，可以通过Model.evaluate(db)即可循环测试完db 数据集上所有样本，并打印出性能指标：
network.evaluate(db_test) # 模型测试