Tensorflow基础教程7：关于Keras Pipeline

　　目录

　　Keras Sequential/Functional API 模式建立模型

　　使用 Keras Model 的 `compile` 、 `fit` 和 `evaluate` 方法训练和评估模型

　　前面几章的示例均使用了 Keras 的 Subclassing API 建立模型，即对 tf.keras.Model 类进行扩展以定义自己的新模型，同时手工编写了训练和评估模型的流程。这种方式灵活度高，且与其他流行的深度学习框架(如 PyTorch、Chainer)共通，是推荐的。不过在很多时候，我们只需要建立一个结构相对简单和典型的神经网络(比如上文中的 MLP 和 CNN)，并使用常规的手段进行训练。这时，Keras 也给我们提供了另一套更为简单高效的内置方法来建立、训练和评估模型。

　　Keras Sequential/Functional API 模式建立模型

　　最典型和常用的神经网络结构是将一堆层按特定顺序叠加起来，那么，我们是不是只需要提供一个层的列表，就能由 Keras 将它们自动首尾相连，形成模型呢?Keras 的 Sequential API 正是如此。通过向 tf.keras.models.Sequential() 提供一个层的列表，就能快速地建立一个 tf.keras.Model 模型并返回：

　　model = tf.keras.models.Sequential([

　　tf.keras.layers.Flatten(),

　　tf.keras.layers.Dense(100, activation=tf.nn.relu),

　　tf.keras.layers.Dense(10),

　　tf.keras.layers.Softmax()

　　])

　　不过，这种层叠结构并不能表示任意的神经网络结构。为此，Keras 提供了 Functional API，帮助我们建立更为复杂的模型，例如多输入 / 输出或存在参数共享的模型。其使用方法是将层作为可调用的对象并返回张量(这点与之前章节的使用方法一致)，并将输入向量和输出向量提供给 tf.keras.Model 的 inputs 和 outputs 参数，示例如下：

　　inputs = tf.keras.Input(shape=(28, 28, 1))

　　x = tf.keras.layers.Flatten()(inputs)

　　x = tf.keras.layers.Dense(units=100, activation=tf.nn.relu)(x)

　　x = tf.keras.layers.Dense(units=10)(x)

　　outputs = tf.keras.layers.Softmax()(x)

　　model = tf.keras.Model(inputs=inputs, outputs=outputs)

　　使用 Keras Model 的 compile 、 fit 和 evaluate 方法训练和评估模型

　　当模型建立完成后，通过 tf.keras.Model 的 compile 方法配置训练过程：

　　model.compile(

　　optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),

　　loss=tf.keras.losses.sparse_categorical_crossentropy,

　　metrics=[tf.keras.metrics.sparse_categorical_accuracy]

　　)大连人流医院哪家好 http://www.dlwkw.com/

　　tf.keras.Model.compile 接受 3 个重要的参数：

　　oplimizer ：优化器，可从 tf.keras.optimizers 中选择;

　　loss ：损失函数，可从 tf.keras.losses 中选择;

　　metrics ：评估指标，可从 tf.keras.metrics 中选择。

　　接下来，可以使用 tf.keras.Model 的 fit 方法训练模型：

　　model.fit(data_loader.train_data, data_loader.train_label, epochs=num_epochs, batch_size=batch_size)

　　tf.keras.Model.fit 接受 5 个重要的参数：

　　x ：训练数据;

　　y ：目标数据(数据标签);

　　epochs ：将训练数据迭代多少遍;

　　batch_size ：批次的大小;

　　validation_data ：验证数据，可用于在训练过程中监控模型的性能。

　　Keras 支持使用 tf.data.Dataset 进行训练，详见 tf.data 。

　　最后，使用 tf.keras.Model.evaluate 评估训练效果，提供测试数据及标签即可：

　　print(model.evaluate(data_loader.test_data, data_loader.test_label))