tf.keras.Model之model.compile

目录

model.compile的作用

model.compile的示例

---

tf.keras.Model类可能属于tf中拥有最多方法的类了，也最为常用。为啥？tensorflow就是一种机器学习框架，用机器学习可不得建立模型(model)嘛, 所以啥操作都得以model为核心，所以model类拥有的方法也会比较多。之前一篇文章中介绍了tf.keras.Sequential（tf.keras.Sequential详解_象象家的小蜜桃的博客-CSDN博客），里面有tf.keras.Sequential()创建的模型包含的方法叙述，这些方法也就是tf.keras.Model拥有的方法。我们一点一点消化，先从model.compile方法说起。

---

model.compile的作用

model.compile的作用就是配置模型的训练参数。有这些可以配置的（代码段里列的是默认配置值）

optimizer='rmsprop',
loss=None,
metrics=None,
loss_weights=None,
weighted_metrics=None,
run_eagerly=None,
steps_per_execution=None,
jit_compile=None,

黄色标注的，一般需要修改配置。其他的有个了解即可。

optimizer是用来配置优化器的，就是设置用什么方式更新模型的梯度。比较常用的是‘adam’

loss是配置损失函数的，损失函数必须要返回一个浮点类型的tensor，就是一个数值，而不是一个向量。如果有多个损失函数，可以将损失函数们放进一个列表或者字典传入。如果没有指定loss_weights,那么loss值就是各loss的和。

metrics配置评价指标，比如你希望在log中除了看到loss值，还想看看正确率，就可以将‘accuracy’配置到metrics里面

loss_weights配置不同损失函数的权重，适用于有多个损失函数的情况

weighted_metrics配置不同样本/类别在评价指标中的权重

run_eagerly这个参数最好不要动，只有当模型能被包装到tf.function的时候，这个参数才可设置成True。

steps_per_execution设置tf.function一次处理多少个batch，一般用默认配置。 

jit_compile配置是否用XLA编译模型的训练过程。这个一般用默认配置。

---

内置的optimizer (查看tf.keras.optimizers) 包含：adadelta, adagrad, adam, adamax, ftrl, nadam, rmsprop, sgd

内置的loss （查看tf.keras.losses）包含：BinaryCrossentropy, BinaryFocalCrossentropy, CategoricalCrossentropy, CategoricalHinge, CosineSimilarity, Hinge, Huber, KLDivergence, LogCosh, MeanAbsoluteError, MeanAbsolutePercentageError, MeanSquaredError, MeanSquaredLogarithmicError, Poisson, SparseCategoricalCrossentropy, SquaredHinge, categorical_hinge, cosine_similarity

内置的metric (查看tf.keras.metrics)包含：AUC, Accuracy, BinaryAccuracy, BinaryCrossentropy, BinaryIoU, CategoricalAccuracy, CategoricalCrossentropy, CategoricalHinge, CosineSimilarity, FalseNegatives, FalsePositives, Hinge, IoU, KLDivergence, LogCoshError, MeanAbsoluteError, MeanAbsolutePercentageError, MeanIoU, MeanRelativeError, MeanSquaredError, MeanSquaredLogarithmicError, OneHotIoU, OneHotMeanIoU, Poisson, Precision, PrecisionAtRecall, Recall, RecallAtPrecision, RootMeanSquaredError, SensitivityAtSpecificity, SparseCategoricalAccuracy, SparseCategoricalCrossentropy, SparseTopKCategoricalAccuracy, SpecificityAtSensitivity, SquaredHinge, TopKCategoricalAccuracy, TrueNegatives, TruePositives, binary_accuracy, binary_crossentropy, binary_focal_crossentropy, categorical_accuracy, categorical_crossentropy, hinge, kl_divergence, mean_absolute_error, mean_absolute_percentage_error, ...

首字母大写的一般代表类，全小写的代表一种方法。主要区别就是，类要先进行实例化，再进行调用。方法可以直接调用，传入输入数据就能返回计算结果。 内置的losses和metrics很丰富，使用时可以先看看内置的损失函数和评价指标中，有没有满足自己需求的。

model.compile的示例

import tensorflow as tf
# 使用mnist数据集
(x_train, y_train),(x_test,y_test) = tf.keras.datasets.mnist.load_data()
x_train,x_test = x_train/255.0,x_test/255.0
# 建立一个模型
model = tf.keras.Sequential(
    [
        tf.keras.layers.Flatten(input_shape=(28,28), name='flatten_1'),
        tf.keras.layers.Dense(units=100, activation='relu', name='dense_1'),
        tf.keras.layers.Dropout(0.3, name='dropout_1'),
        tf.keras.layers.Dense(units=10, name='output')
    ]
)
# 编译一下
model.compile(
    optimizer = 'adam',
    loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
    metrics = [tf.keras.metrics.SparseCategoricalAccuracy()]
)
# 训练一下
model.fit(x_train,y_train)
# 1875/1875 [==============================] - 5s 2ms/step - loss: 0.3450 - sparse_categorical_accuracy: 0.8990