在TensorFLow2中進行神經網絡模型的訓練主要包括以下幾個主要的步驟：

• 導入相關模塊import
• 準備數據，拆分訓練集train、測試集test
• 搭建神經網絡模型model (兩種方法：Sequential或自定義模型class)
• 模型編譯model.compile()
• 模型訓練model.fit()
• 查看模型model.summary()
• 模型評價
• 模型預測model.predict()

model.compile()的作用就是為搭建好的神經網絡模型設置損失函數loss、優化器optimizer、準確性評價函數metrics。

這些方法的作用分別是：

• 損失函數和優化器用在反向傳播的時候，我們會求損失函數對訓練變量的導數，即梯度，然后根據選擇的優化器來確定參數更新公式，根據公式對可訓練參數進行更新。
• 準確性評價函數用在評估模型預測的準確性。在模型訓練的過程中，我們會記錄模型在訓練集、驗證集上的預測準確性，之后會據此繪制準確率隨著訓練次數的變化曲線。通過查看和對比訓練集、測試集隨著訓練次數的準確率曲線，我們能發現模型是否是過擬合、欠擬合，或者也可以發現多少輪后可以停止模型訓練了。

由上可以看出，神經網絡模型建模訓練的過程中，核心的靈魂環節就是搭建模型和編譯compile了。所以，這是非常非常重要的一個模塊。

1、首先，上代碼，直觀看下model.compile()在神經網絡建模中的使用示例

#model.compile()配置模型訓練方法 model.compile( optimizer = tf.keras.optimizers.SGD(lr = 0.1), #使用SGD優化器，學習率為0.1loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits = False), #配置損失函數metrics = ['sparse_categorical_accuracy'] #標注準確性評價指標 )

2、解讀model.compile()中配置方法

compile(optimizer, #優化器loss=None, #損失函數metrics=None, # ["準確率”]loss_weights=None, sample_weight_mode=None, weighted_metrics=None, target_tensors=None)

2.1 ?loss可以是字符串形式給出的損失函數的名字，也可以是函數形式

例如：”mse" 或者 tf.keras.losses.MeanSquaredError()

? ? ? ? ? ?"sparse_categorical_crossentropy" ?或者 ?tf.keras.losses.SparseCatagoricalCrossentropy(from_logits = False)

? ?損失函數經常需要使用softmax函數來將輸出轉化為概率分布的形式，在這里from_logits代表是否將輸出轉為概率分布的形式，為False時表示轉換為概率分布，為True時表示不轉換，直接輸出

2.2 ?optimizer可以是字符串形式給出的優化器名字，也可以是函數形式，使用函數形式可以設置學習率、動量和超參數

例如：“sgd” ? 或者 ? tf.optimizers.SGD(lr = 學習率，

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?decay = 學習率衰減率，

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? momentum = 動量參數）

? ? ? ? ? ?“adagrad" ?或者 ?tf.keras.optimizers.Adagrad(lr = 學習率，

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?decay = 學習率衰減率）

? ? ? ? ? ? ”adadelta" ?或者 ?tf.keras.optimizers.Adadelta(lr = 學習率，

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?decay = 學習率衰減率）

? ? ? ? ? ? ?“adam" ?或者 ?tf.keras.optimizers.Adam(lr = 學習率，

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? decay = 學習率衰減率）

2.3 Metrics神經網絡模型的準確性評價指標

例如：

? ? ? ? "accuracy" : y_ 和 y 都是數值，如y_ = [1] y = [1] ?#y_為真實值，y為預測值

? ? ? ? “sparse_accuracy":y_和y都是以獨熱碼 和概率分布表示，如y_ = [0, 1, 0], y = [0.256, 0.695, 0.048]

? ? ? ? "sparse_categorical_accuracy" :y_是以數值形式給出，y是以 獨熱碼給出，如y_ = [1], y = [0.256 0.695, 0.048]
?

總結

以上是生活随笔為你收集整理的Tensorflow2 model.compile()理解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。