【tensorflow学习笔记】tf中常用参数含义

1. 模型的参数verbose含义

场景：

model.fit(X, y, verbose: int = 1)
model.evaluate(X, y, verbose: int = 1)

参数解释：

verbose是日志显示，有三个参数可选择：0、1、2；

参数值	意义
0	不输出日志信息
1	输出日志信息 ，包含进度条、计算时间、loss、acc等
2	输出日志信息 ，包含loss、acc等

参考：

https://blog.csdn.net/qq_23933415/article/details/111212898

2. @tf.function

场景：

# 训练模型
@tf.function
def train_step(images, labels):
    with tf.GradientTape() as tape:
        predictions = model(images, training=True)
        loss = loss_obj(labels, predictions)
    gradient = tape.gradient(loss, model.trainable_variables)
    optimizer.apply_gradients(zip(gradient, model.trainable_variables))
    
    train_loss(loss)
    train_acc(predictions, labels)


# 测试模型
@tf.function
def test_step(images, labels):
    predictions = model(images, training=False)
    t_loss = loss_obj(labels, predictions)
    
    test_loss(t_loss)
    test_acc(predictions, labels)

修饰器的作用：

@tf.function旨在将普通python fuction转化为包含graph的tensorflow function，在执行函数时，生成支持多态的graph计算图，有效提高计算效率；

参考：

https://blog.csdn.net/jiangjunshow/article/details/119908750
https://www.cnblogs.com/amazingter/p/14258283.html