Python 如何使用Python编译Tensorflow模型？

使用Tensorflow创建的模型可以使用“compile”方法进行编译。使用“SparseCategoricalCrossentropy”方法计算损失。

我们在Google Colaboratory上运行下面的代码。Google Colab或Colaboratory可以在浏览器上运行Python代码，无需任何配置，并且可以免费访问GPU（图形处理单元）。Colaboratory建立在Jupyter Notebook之上。

print("正在编译模型")
model.compile(optimizer='adam',loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
   metrics=['accuracy'])
print("模型架构")
model.summary()

代码来源: https://www.tensorflow.org/tutorials/images/classification

阅读更多：Python 教程

输出

正在编译模型
模型架构
Model: "sequential_2"
_________________________________________________________________
Layer (type)                 Output Shape              Param #  
=================================================================
rescaling_1 (Rescaling)      (None, 180, 180, 3)       0        
_________________________________________________________________
conv2d_6 (Conv2D)            (None, 180, 180, 16)      448      
_________________________________________________________________
max_pooling2d_4 (MaxPooling2 (None, 90, 90, 16)        0        
_________________________________________________________________
conv2d_7 (Conv2D)            (None, 90, 90, 32)        4640    
_________________________________________________________________
max_pooling2d_5 (MaxPooling2 (None, 45, 45, 32)        0        
_________________________________________________________________
conv2d_8 (Conv2D)            (None, 45, 45, 64)        18496    
_________________________________________________________________
max_pooling2d_6 (MaxPooling2 (None, 22, 22, 64)        0        
_________________________________________________________________
flatten_1 (Flatten)          (None, 30976)             0        
_________________________________________________________________
dense_2 (Dense)              (None, 128)               3965056  
_________________________________________________________________
dense_3 (Dense)              (None, 5)                 645      
=================================================================
Total params: 3,989,285
Trainable params: 3,989,285
Non-trainable params: 0
_________________________________________________________________

说明

• 使用optimizers.Adam优化器和losses.SparseCategoricalCrossentropy损失函数。
• 可以使用metrics参数查看每个训练时期的训练和验证准确性。
• 一旦编译模型，就可以使用“summary”方法显示架构的摘要。