目录

• 1.metrics
• ①创建Meter
• ②更新数据
• ③获取数据
• ④重置状态
• 2.快捷训练
• ①compile
• ②fit
• ③evaluate
• ④predict

1.metrics

keras.metrics可以用来对数据进行记录跟踪，当我们的数据量太大，又想在中间就看看训练的情况的时候，可以使用此接口。步骤如下：

①创建Meter

通过metrics中带有的借口，创建一个meter。

②更新数据

当我们在某一行代码得到了需要的数据的时候，就可以调用update_state方法，将数据进行更新。注意，不同的方法需要传入的参数是不一样的。

③获取数据

我们可以设置在某个节点或状态的时候，获取当前的meter所存储的数据。

④重置状态

当一个阶段数据记录查看结束后，使用reset_states重置meter，记录下一阶段。

2.快捷训练

生成了一个模型之后，有compile, fit, evalute, predict等接口可以调用，这可以使得我们的训练很容易实现。

①compile

这个方法中可以指定：优化器+lr，损失，准确率等。

②fit

完成compile之后，直接调用fit，给出训练数据，指定epoch就可以了。

以上两行，就可以直接完成训练，训练过程中会返回一些基本信息，训练周期，数据量，使用的时间，每一步使用的时间，每一个周期后的损失值等。

fit中还可以给出validation_data = test_data, validation_freq=2，也就是循环2次训练，就进行一次测试，会打印出测试分数。可见下面情况已经过拟合了。

③evaluate

调用这个方式之后，会在训练完成后，进行测试，并打印出测试结果。

④predict

这个其实和network(x)是一样的，就是完成前向传播。

以上就是TensorFlow人工智能Keras高层接口应用示例的详细内容，更多关于TensorFlow人工智能Keras高层接口的资料请关注其它相关文章！