Tensorflow 2.x(keras)源码详解之第九章：模型训练和预测的三种方法(fit&tf.GradientTape&train_step&tf.data)

  大家好，我是爱编程的喵喵。双985硕士毕业，现担任全栈工程师一职，热衷于将数据思维应用到工作与生活中。从事机器学习以及相关的前后端开发工作。曾在阿里云、科大讯飞、CCF等比赛获得多次Top名次。现为CSDN博客专家、人工智能领域优质创作者。喜欢通过博客创作的方式对所学的知识进行总结与归纳，不仅形成深入且独到的理解，而且能够帮助新手快速入门。

  本文主要介绍了Tensorflow 2.x(keras)源码详解之第九章：模型训练和预测的三种方法(fit&tf.GradientTape&train_step&tf.data)，希望能对学习TensorFlow 2的同学有所帮助。

1. 模型训练和预测步骤

• 解决一个机器学习问题通常包含以下步骤：
  • 获得训练数据，并切分出验证集。
  • 定义模型：模型的三种构建方式https://catcoder.blog.csdn.net/article/details/124749522
  • 定义损失函数
  • 定义优化器
  • 定义评估指标
  • 遍历训练数据，进行训练
    • 计算目标值从而计算损失
    • 计算当前在验证集上的效果
    • 计算该损失的梯度，并使用optimizer调整变量
  • 遍历结束后，完成训练，随后进行评估或者预测

2. 使用内置方法fit进行训练和评估

  在前面章节中，我们可以用三种方法构建model&