一、简介
不用keras时候：
二、用keras简写训练过程
现在的写法，首先指定下面的compile以后，直接在下面fit一下，然后这个epoch就是指定上涨图片中的sclice中的10，就是10次epoch,每次traning的loss是按照下面的traing计算，得到一个gradient以后，根据Adam优化器更新一个对应的参数，然后在指定的一个周次做一个metrics测试。注意这里还有指定做测试的周期，之前我们做测试是： if step%100 ==0的时候，我们做一次测试，做测试的时候测试的数据集是什么呢？这里也没有指定，所以根本没有用到测试的功能，可以吧metrics=[‘accuracy’]删除掉。这样的话我们traing的一个逻辑是完全的指定的，training多少步，traing的优化器，traing的这样的一个loss,整个traing所用的数据集db,这样非常方便。
需要注意的是做测试的时候epoch总是等于1的，为什么呢？
因为我们测试的时候，只需要对所有样本测试一次，不需要对所有样本测试多次，因为是一样的效果对嘛，所以测试的时候epoch是固定的，step也是固定的，因此对于测试来说只需要知道测试集ds_val。
比起之前的参数，现在多了2个黄色框框标记出来的；一个是validation_data就是要在那一个数据集上面进行测试。还有一个validation_freq下面写错了，表示每多少个epoch做一次validation。traing2个epoch测试一次，也就是我们对db循环2次做一个测试，看下面的图表示的。会打印一个指标就是accuracy。这个accuracy计算过程是标准的。来看一下具体的输出结果：
这里的evaluate和上面的validation_freq是一样的，区别在于什么呢？区别在在于validation_freq是在traing中间进行的，为什么中间进行呢？因为在training的时候，我也不知道traing什么时候是个头，有可能traing10天，有可能是3个月，有可能更久，那么什么时候停止呢？我这个时候，就会隔一段时间做一次validation_freq或者隔一段时间做一次test,比如根据（我再中间写一段代码if test_accuracy>0.99，我就把当前的状态save住，我就把这个循环跳出来break；这个就是中间做一个validation的好处，我们可以随时的停止，所以这一部分可以提前终止不一定完成10个epoch,这10epoch一般是我们指定的最大的epoch，达到我们的需求可以提前的终止，当跳完这句话话后就是evaluate还要做一次测试，来验证，只需要给一个数据集；其实就相当于一次valuation_freq；当然这个测试的数据集也可以不用这个ds_val数据集，我们可以找另外一个，这样更加公平，公正！.）
三、总结
- 最后当我们traing完成以后，我们把模型的参数保存下来，我们下一次交给一个生产环境的时候，或者说交给一个客户的时候，客户拿到这个模型，加载这个模型的参数以后，他需要来做一个预测！预测这一部分怎么完成呢？根据前面的逻辑，
