21、Keras高层API

    (一) Keras.Metrics

• metrics     新建metrics
• update_state 　在metrics列表中添加数据（更新数据），[loss1, loss2, loss3......]
• result().numpy()  在需要使用的时候得到结果
• reset_states 　　清除状态

 （二）compile&fit ，提供了一个快捷训练的方法

• compile  编译，类似于一个装载的功能，提供了train的loss选择，优化器的选择和评估指标的选择
• fit　　　 完成标准的训练流程
• evaluate  测试
• predict　  对新的样本使用模型进行预测

1、metrics   测量尺，内置的评估指标算子

 　在训练的过程中，我们经常需要计算loss和acc并进行记录，因为每一次的loss和acc并不是指每一个batch的值，而是指一个epoch的值，因此需要建立一个列表，用来记录每一个loss或者acc，一个epoch结束后对所有的loss或者acc做平均值处理并进行打印，以便观察整个模型在上一次打印和这一次打印之间模型的变化情况，将这个功能称为metrics

　Keras != tf.keras

# Step1 建立一个meter
acc_meter = metrics.Accuracy()
loss_meter = metrics.Mean()  #求平均值

# step2 更新数据
loss_meter.update_state(loss)
acc_meter.update_state(y, pred)

# step3 得到平均数据
print(step, "loss:", loss_meter.result().numpy())
print(step, "evaluate acc: ", total_correct/total, acc_meter.result().numpy())

# step4 清除缓存 当得到一个时间戳的loss时，需要计算下个循环的时候如果不进行清除，那么就会将以前的缓存起来
if step % 100 == 0:
    print(step, "loss", loss_meter.result().numpy())
    loss_meter.reset_states()

if step % 500 == 0:
    total, total_correct = 0., 0
    acc_meter.reset_states()

 2、compile&fit

（1）计算和优化梯度的标准流程图：

   

　使用compile：

   

（2）处理循环

 　标准：

   

   使用fit

  

 （3）测试代码 ， valuation 评估　　

   

　使用compile&fit

network.compile(optimizer=optimizers.Adam(lr=1e-3),
                loss=tf.losses.CategoricalCrossentropy(from_logits=True),
                metrics=['accuracy'])
network.fit(train_db, epochs=1500, validation_data=test_db, validation_freq=2)