1.metrics

keras.metrics可以用來對數據進行記錄跟蹤，當我們的數據量太大，又想在中間就看看訓練的情況的時候，可以使用此接口。步驟如下：

①創建Meter

通過metrics中帶有的借口，創建一個meter。

②更新數據

當我們在某一行代碼得到了需要的數據的時候，就可以調用update_state方法，將數據進行更新。注意，不同的方法需要傳入的參數是不一樣的。

③獲取數據

我們可以設置在某個節點或狀態的時候，獲取當前的meter所存儲的數據。

④重置狀態

當一個階段數據記錄查看結束后，使用reset_states重置meter，記錄下一階段。

2.快捷訓練

生成了一個模型之后，有compile, fit, evalute, predict等接口可以調用，這可以使得我們的訓練很容易實現。

①compile

這個方法中可以指定：優化器+lr，損失，準確率等。

②fit

完成compile之后，直接調用fit，給出訓練數據，指定epoch就可以了。

以上兩行，就可以直接完成訓練，訓練過程中會返回一些基本信息，訓練周期，數據量，使用的時間，每一步使用的時間，每一個周期后的損失值等。

fit中還可以給出validation_data = test_data, validation_freq=2，也就是循環2次訓練，就進行一次測試，會打印出測試分數。可見下面情況已經過擬合了。

③evaluate

調用這個方式之后，會在訓練完成后，進行測試，并打印出測試結果。

④predict

這個其實和network(x)是一樣的，就是完成前向傳播。

以上就是TensorFlow人工智能Keras高層接口應用示例的詳細內容，更多關于TensorFlow人工智能Keras高層接口的資料請關注服務器之家其它相關文章！

原文鏈接：https://blog.csdn.net/Swayzzu/article/details/121253557