模型训练 API

`compile` 方法

Model.compile(
    optimizer="rmsprop",
    loss=None,
    metrics=None,
    loss_weights=None,
    weighted_metrics=None,
    run_eagerly=None,
    steps_per_execution=None,
    jit_compile=None,
    pss_evaluation_shards=0,
    **kwargs
)

配置模型进行训练。

示例

model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=1e-3),
              loss=tf.keras.losses.BinaryCrossentropy(),
              metrics=[tf.keras.metrics.BinaryAccuracy(),
                       tf.keras.metrics.FalseNegatives()])

参数

optimizer：字符串（优化器名称）或优化器实例。请参阅 tf.keras.optimizers。
loss：损失函数。可以是字符串（损失函数名称）或 tf.keras.losses.Loss 实例。请参阅 tf.keras.losses。损失函数是任何具有签名 loss = fn(y_true, y_pred) 的可调用对象，其中 y_true 是真实值，y_pred 是模型的预测值。y_true 的形状应为 (batch_size, d0, .. dN) （除了稀疏损失函数，如稀疏分类交叉熵，它期望形状为 (batch_size, d0, .. dN-1) 的整数数组）。y_pred 的形状应为 (batch_size, d0, .. dN)。损失函数应返回一个浮点张量。如果使用了自定义 Loss 实例且 reduction 设置为 None，则返回值具有形状 (batch_size, d0, .. dN-1)，即每个样本或每个时间步的损失值；否则，它是一个标量。如果模型有多个输出，可以通过传递字典或损失列表在每个输出上使用不同的损失。模型将最小化的损失值将是所有单独损失的总和，除非指定了 loss_weights。
metrics：在模型训练和测试期间要评估的指标列表。其中每一个都可以是字符串（内置函数的名称）、函数或 tf.keras.metrics.Metric 实例。请参阅 tf.keras.metrics。通常你会使用 metrics=['accuracy']。函数是任何具有签名 result = fn(y_true, y_pred) 的可调用对象。要为多输出模型的不同输出指定不同的指标，也可以传递字典，例如 metrics={'output_a':'accuracy', 'output_b':['accuracy', 'mse']}。你也可以传递一个列表来为每个输出指定一个指标或指标列表，例如 metrics=[['accuracy'], ['accuracy', 'mse']] 或 metrics=['accuracy', ['accuracy', 'mse']]。当你传递字符串 'accuracy' 或 'acc' 时，我们会根据目标和模型输出的形状将其转换为 tf.keras.metrics.BinaryAccuracy、tf.keras.metrics.CategoricalAccuracy、tf.keras.metrics.SparseCategoricalAccuracy 中的一个。我们也会对字符串 'crossentropy' 和 'ce' 进行类似的转换。此处传递的指标是在没有样本权重的情况下进行评估的；如果你希望应用样本权重，可以通过 weighted_metrics 参数指定你的指标。
loss_weights：可选的列表或字典，指定标量系数（Python 浮点数）来加权不同模型输出的损失贡献。模型将最小化的损失值将是所有单独损失的加权和，由 loss_weights 系数加权。如果是一个列表，则期望它与模型的输出具有 1:1 的映射。如果是一个字典，则期望它将输出名称（字符串）映射到标量系数。
weighted_metrics：在训练和测试期间要评估并由 sample_weight 或 class_weight 加权的指标列表。
run_eagerly：布尔值。如果为 True，则此 Model 的逻辑将不会被包装在 tf.function 中。建议将其保留为 None，除非你的 Model 无法在 tf.function 内运行。当使用 tf.distribute.experimental.ParameterServerStrategy 时，不支持 run_eagerly=True。默认为 False。
steps_per_execution：整数或 'auto'。在每次 tf.function 调用期间要运行的批次数。如果设置为 "auto"，keras 将在运行时自动调整 steps_per_execution。在单个 tf.function 调用中运行多个批次可以大大提高在 TPU 上使用分布式策略（如 ParameterServerStrategy）或具有较大 Python 开销的小模型的性能。每次执行最多运行一个完整 epoch。如果传递的数字大于 epoch 的大小，则执行将被截断为 epoch 的大小。请注意，如果 steps_per_execution 设置为 N，则 Callback.on_batch_begin 和 Callback.on_batch_end 方法将仅在每 N 个批次之后（即在每次 tf.function 执行之前/之后）调用。默认为 1。
jit_compile：如果为 True，则使用 XLA 编译模型训练步骤。XLA 是机器学习的优化编译器。默认情况下不启用 jit_compile。请注意，jit_compile=True 可能不适用于所有模型。有关受支持操作的更多信息，请参阅 XLA 文档。另请参阅已知 XLA 问题以了解更多详细信息。
pss_evaluation_shards：整数或 'auto'。仅用于 tf.distribute.ParameterServerStrategy 训练。此参数设置要将数据集拆分成的分片数，以启用评估的精确访问保证，这意味着即使 worker 失败，模型也将精确地应用于每个数据集元素一次。数据集必须被分片，以确保单独的 worker 不会处理相同的数据。分片数应至少为 worker 的数量，以获得良好的性能。值 'auto' 会启用精确评估，并使用一个启发式方法来计算分片数，该方法基于 worker 的数量。0 表示不提供访问保证。注意：在执行精确评估时，自定义的 Model.test_step 实现将被忽略。默认为 0。
**kwargs：仅为向后兼容性支持的参数。

[来源]

`fit` 方法

Model.fit(
    x=None,
    y=None,
    batch_size=None,
    epochs=1,
    verbose="auto",
    callbacks=None,
    validation_split=0.0,
    validation_data=None,
    shuffle=True,
    class_weight=None,
    sample_weight=None,
    initial_epoch=0,
    steps_per_epoch=None,
    validation_steps=None,
    validation_batch_size=None,
    validation_freq=1,
    max_queue_size=10,
    workers=1,
    use_multiprocessing=False,
)

训练模型固定数量的 epoch（数据集迭代）。

参数

x：输入数据。它可以是
- 一个 Numpy 数组（或类数组），或数组列表（如果模型有多个输入）。
- 一个 TensorFlow 张量，或张量列表（如果模型有多个输入）。
- 一个将输入名称映射到相应数组/张量的字典，如果模型有命名的输入。
- 一个 tf.data 数据集。应返回 (inputs, targets) 或 (inputs, targets, sample_weights) 的元组。
- 一个生成器或 keras.utils.Sequence，返回 (inputs, targets) 或 (inputs, targets, sample_weights)。
- 一个 tf.keras.utils.experimental.DatasetCreator，它包装一个可调用对象，该对象接受一个类型为 tf.distribute.InputContext 的单个参数，并返回一个 tf.data.Dataset。当用户希望为 Dataset 指定每个副本的批处理和分片逻辑时，应使用 DatasetCreator。有关更多信息，请参阅 tf.keras.utils.experimental.DatasetCreator 文档。下面给出了迭代器类型（Dataset、生成器、Sequence）的解包行为的更详细描述。如果这些包括 sample_weights 作为第三个组件，请注意，样本权重应用于 weighted_metrics 参数，但不应用于 compile() 中的 metrics 参数。如果使用 tf.distribute.experimental.ParameterServerStrategy，则 x 仅支持 DatasetCreator 类型。
y：目标数据。与输入数据 x 类似，它可以是 Numpy 数组或 TensorFlow 张量。它应该与 x 一致（你不能有 Numpy 输入和张量目标，反之亦然）。如果 x 是数据集、生成器或 keras.utils.Sequence 实例，则不应指定 y （因为目标将从 x 中获得）。
batch_size：整数或 None。每次梯度更新的样本数。如果未指定，batch_size 将默认为 32。如果你的数据采用数据集、生成器或 keras.utils.Sequence 实例的形式，请不要指定 batch_size （因为它们会生成批次）。
epochs：整数。训练模型的 epoch 数。一个 epoch 是对提供的整个 x 和 y 数据的迭代（除非 steps_per_epoch 标志设置为 None 以外的值）。请注意，与 initial_epoch 结合使用时，epochs 应理解为“最终 epoch”。模型不会训练 epochs 给定的迭代次数，而只是训练到达到索引为 epochs 的 epoch。
verbose：'auto'、0、1 或 2。详细模式。0 = 静默，1 = 进度条，2 = 每个 epoch 一行。'auto' 在大多数情况下变为 1，但在与 ParameterServerStrategy 一起使用时变为 2。请注意，当记录到文件时，进度条不是特别有用，因此建议在不以交互方式运行时（例如，在生产环境中）使用 verbose=2。默认为 'auto'。
callbacks：keras.callbacks.Callback 实例列表。在训练期间应用的 callbacks 列表。请参阅 tf.keras.callbacks。请注意 tf.keras.callbacks.ProgbarLogger 和 tf.keras.callbacks.History callbacks 是自动创建的，无需传递到 model.fit 中。是否创建 tf.keras.callbacks.ProgbarLogger 基于传递给 model.fit 的 verbose 参数。当使用 tf.distribute.experimental.ParameterServerStrategy 时，当前不支持具有批次级调用的 callbacks，建议用户使用适当的 steps_per_epoch 值来实现 epoch 级调用。
validation_split：介于 0 和 1 之间的浮点数。用作验证数据的训练数据比例。模型将从训练数据中划分出这部分数据，不会对其进行训练，并且将在每个 epoch 结束时评估此数据上的损失和任何模型指标。验证数据是从提供的 x 和 y 数据中，在洗牌之前选择的最后一部分样本。当 x 是数据集、生成器或 keras.utils.Sequence 实例时，不支持此参数。如果同时提供了 validation_data 和 validation_split，则 validation_data 将覆盖 validation_split。 tf.distribute.experimental.ParameterServerStrategy 尚不支持 validation_split。
validation_data：在每个 epoch 结束时用于评估损失和任何模型指标的数据。模型不会在此数据上进行训练。因此，请注意，使用 validation_split 或 validation_data 提供的数据的验证损失不受噪声和 dropout 等正则化层的影响。 validation_data 将覆盖 validation_split。 validation_data 可以是： - Numpy 数组或张量的元组 (x_val, y_val)。 - Numpy 数组的元组 (x_val, y_val, val_sample_weights)。 - tf.data.Dataset。 - 返回 (inputs, targets) 或 (inputs, targets, sample_weights) 的 Python 生成器或 keras.utils.Sequence。 tf.distribute.experimental.ParameterServerStrategy 尚不支持 validation_data。
shuffle：布尔值（是否在每个 epoch 之前打乱训练数据）或字符串（对于 'batch'）。当 x 是生成器或 tf.data.Dataset 对象时，此参数将被忽略。 'batch' 是用于处理 HDF5 数据限制的特殊选项；它会按批次大小的块进行洗牌。当 steps_per_epoch 不为 None 时无效。
class_weight：可选的字典，将类索引（整数）映射到权重（浮点数）值，用于对损失函数进行加权（仅在训练期间）。这对于告知模型“更多关注”来自代表性不足的类的样本可能很有用。当指定 class_weight 且目标等级为 2 或更高时，y 必须是 one-hot 编码，或者对于稀疏类标签必须包含明确的最终维度 1。
sample_weight：可选的训练样本权重 Numpy 数组，用于对损失函数进行加权（仅在训练期间）。您可以传递一个与输入样本长度相同的扁平（1D）Numpy 数组（权重和样本之间的一对一映射），或者在时间数据的情况下，您可以传递一个形状为 (samples, sequence_length) 的 2D 数组，以便将不同的权重应用于每个样本的每个时间步。当 x 是数据集、生成器或 keras.utils.Sequence 实例时，不支持此参数，请改为将样本权重作为 x 的第三个元素提供。请注意，样本加权不适用于在 compile() 中的 metrics 参数指定的指标。要将样本加权应用于您的指标，您可以改为通过 compile() 中的 weighted_metrics 指定它们。
initial_epoch：整数。开始训练的 epoch（有助于恢复之前的训练运行）。
steps_per_epoch：整数或 None。在声明一个 epoch 完成并开始下一个 epoch 之前的总步数（样本批次）。当使用 TensorFlow 数据张量等输入张量进行训练时，默认值 None 等于数据集中的样本数除以批次大小，如果无法确定则为 1。如果 x 是 tf.data 数据集，且 'steps_per_epoch' 为 None，则 epoch 将运行直到输入数据集耗尽。当传递无限重复的数据集时，您必须指定 steps_per_epoch 参数。如果 steps_per_epoch=-1，训练将无限期地运行，使用无限重复的数据集。数组输入不支持此参数。当使用 tf.distribute.experimental.ParameterServerStrategy 时： * 不支持 steps_per_epoch=None。
validation_steps：仅当提供 validation_data 且为 tf.data 数据集时才相关。在每个 epoch 结束时执行验证时停止之前的总步数（样本批次）。如果 'validation_steps' 为 None，验证将运行直到 validation_data 数据集耗尽。在无限重复数据集的情况下，它将进入无限循环。如果指定了 'validation_steps' 并且仅使用数据集的一部分，则评估将从每个 epoch 的数据集开头开始。这确保了每次都使用相同的验证样本。
validation_batch_size：整数或 None。每个验证批次的样本数。如果未指定，则默认为 batch_size。如果您的数据采用数据集、生成器或 keras.utils.Sequence 实例的形式（因为它们会生成批次），请勿指定 validation_batch_size。
validation_freq：仅当提供验证数据时才相关。整数或 collections.abc.Container 实例（例如列表、元组等）。如果为整数，则指定在执行新的验证运行之前要运行多少个训练 epoch，例如，validation_freq=2 每 2 个 epoch 运行一次验证。如果为 Container，则指定运行验证的 epoch，例如，validation_freq=[1, 2, 10] 在第 1、第 2 和第 10 个 epoch 结束时运行验证。
max_queue_size：整数。仅用于生成器或 keras.utils.Sequence 输入。生成器队列的最大大小。如果未指定，max_queue_size 将默认为 10。
workers：整数。仅用于生成器或 keras.utils.Sequence 输入。在使用基于进程的线程时要启动的最大进程数。如果未指定，workers 将默认为 1。
use_multiprocessing：布尔值。仅用于生成器或 keras.utils.Sequence 输入。如果为 True，则使用基于进程的线程。如果未指定，use_multiprocessing 将默认为 False。请注意，由于此实现依赖于多进程，因此您不应将不可 pickle 的参数传递给生成器，因为它们无法轻松传递给子进程。

类迭代输入的解包行为：一种常见的模式是将 tf.data.Dataset、生成器或 tf.keras.utils.Sequence 传递给 fit 的 x 参数，这实际上不仅会产生特征 (x)，还会选择性地产生目标 (y) 和样本权重。TF-Keras 要求此类类似迭代器的输出是明确的。迭代器应返回长度为 1、2 或 3 的元组，其中可选的第二个和第三个元素将分别用于 y 和 sample_weight。提供的任何其他类型都将包装在长度为 1 的元组中，有效地将所有内容视为“x”。当生成字典时，它们仍应遵守顶级元组结构。例如，({"x0": x0, "x1": x1}, y)。TF-Keras 不会尝试从单个字典的键中分离特征、目标和权重。一个值得注意的不支持的数据类型是 namedtuple。原因是它的行为类似于有序数据类型（元组）和映射数据类型（字典）。因此，给定一个具有以下形式的 namedtuple：namedtuple("example_tuple", ["y", "x"])，当解释该值时是否反转元素的顺序是不明确的。更糟糕的是以下形式的元组：namedtuple("other_tuple", ["x", "y", "z"])，其中不清楚该元组是否打算被解包到 x、y 和 sample_weight 中，还是作为单个元素传递到 x 中。因此，如果数据处理代码遇到 namedtuple，则会简单地引发 ValueError。（以及解决此问题的说明。）

返回值

一个 History 对象。它的 History.history 属性是连续 epoch 的训练损失值和指标值，以及验证损失值和验证指标值（如果适用）的记录。

引发

RuntimeError：1. 如果模型从未编译；或 2. 如果 model.fit 被包装在 tf.function 中。
__ValueError__：当提供的输入数据与模型期望的数据不匹配时，或者当输入数据为空时。

[来源]

`evaluate` 方法

Model.evaluate(
    x=None,
    y=None,
    batch_size=None,
    verbose="auto",
    sample_weight=None,
    steps=None,
    callbacks=None,
    max_queue_size=10,
    workers=1,
    use_multiprocessing=False,
    return_dict=False,
    **kwargs
)

返回模型在测试模式下的损失值和指标值。

计算以批次方式完成（请参阅 batch_size 参数）。

参数

x：输入数据。它可以是
- 一个 Numpy 数组（或类数组），或数组列表（如果模型有多个输入）。
- 一个 TensorFlow 张量，或张量列表（如果模型有多个输入）。
- 一个将输入名称映射到相应数组/张量的字典，如果模型有命名的输入。
- 一个 tf.data 数据集。应返回 (inputs, targets) 或 (inputs, targets, sample_weights) 的元组。
- 返回 (inputs, targets) 或 (inputs, targets, sample_weights) 的生成器或 keras.utils.Sequence。有关迭代器类型（数据集、生成器、序列）的解包行为的更详细描述，请参见 Model.fit 的“类迭代输入的解包行为”部分。
y：目标数据。与输入数据 x 类似，它可以是 Numpy 数组或 TensorFlow 张量。它应与 x 一致（您不能有 Numpy 输入和张量目标，反之亦然）。如果 x 是数据集、生成器或 keras.utils.Sequence 实例，则不应指定 y（因为目标将从迭代器/数据集中获取）。
batch_size：整数或 None。每次计算批次的样本数。如果未指定，则 batch_size 将默认为 32。如果您的数据采用数据集、生成器或 keras.utils.Sequence 实例的形式（因为它们会生成批次），请勿指定 batch_size。
verbose： "auto"、0、1 或 2。详细模式。0 = 静默，1 = 进度条，2 = 单行。在大多数情况下，"auto" 变为 1，当与 ParameterServerStrategy 一起使用时，变为 2。请注意，当记录到文件时，进度条不是特别有用，因此建议在不以交互方式运行时（例如，在生产环境中）使用 verbose=2。默认为“auto”。
sample_weight：测试样本的可选权重 Numpy 数组，用于对损失函数进行加权。您可以传递一个与输入样本长度相同的扁平（1D）Numpy 数组（权重和样本之间的一对一映射），或者在时间数据的情况下，您可以传递一个形状为 (samples, sequence_length) 的 2D 数组，以便将不同的权重应用于每个样本的每个时间步。当 x 是数据集时，不支持此参数，请改为将样本权重作为 x 的第三个元素传递。
steps：整数或 None。声明评估轮次完成之前的总步数（样本批次）。使用默认值 None 时会被忽略。如果 x 是 tf.data 数据集，并且 steps 为 None，则 'evaluate' 将运行直到数据集耗尽。数组输入不支持此参数。
callbacks：keras.callbacks.Callback 实例的列表。在评估期间应用的 callbacks 列表。请参阅callbacks。
max_queue_size：整数。仅用于生成器或 keras.utils.Sequence 输入。生成器队列的最大大小。如果未指定，max_queue_size 将默认为 10。
workers：整数。仅用于生成器或 keras.utils.Sequence 输入。在使用基于进程的线程时要启动的最大进程数。如果未指定，workers 将默认为 1。
use_multiprocessing：布尔值。仅用于生成器或 keras.utils.Sequence 输入。如果为 True，则使用基于进程的线程。如果未指定，use_multiprocessing 将默认为 False。请注意，由于此实现依赖于多进程，因此您不应将不可 pickle 的参数传递给生成器，因为它们无法轻松传递给子进程。
return_dict：如果为 True，则损失和指标结果将作为字典返回，每个键都是指标的名称。如果为 False，则将它们作为列表返回。
**kwargs：目前未使用。

有关 Model.fit 的 类迭代输入的解包行为 的讨论，请参阅相关内容。

返回值

标量测试损失（如果模型只有一个输出且没有指标）或标量列表（如果模型有多个输出和/或指标）。属性 model.metrics_names 将为您提供标量输出的显示标签。

引发

RuntimeError：如果 model.evaluate 被包裹在 tf.function 中。

[来源]

`predict` 方法

Model.predict(
    x,
    batch_size=None,
    verbose="auto",
    steps=None,
    callbacks=None,
    max_queue_size=10,
    workers=1,
    use_multiprocessing=False,
)

为输入样本生成输出预测。

计算以批次方式完成。此方法专为批量处理大量输入而设计。它不适合在循环中使用，循环迭代您的数据并一次处理少量输入。

对于适合一个批次的少量输入，直接使用 __call__() 可加快执行速度，例如，model(x)，或者如果您的层（例如 tf.keras.layers.BatchNormalization）在推理期间表现不同，则使用 model(x, training=False)。您可以在内部循环中将单独的模型调用与 tf.function 配对以获得额外的性能。如果您需要在模型调用后访问 numpy 数组值而不是张量，您可以使用 tensor.numpy() 来获取 eager 张量的 numpy 数组值。

另请注意，测试损失不受噪声和 dropout 等正则化层的影响。

注意：有关 Model 方法 predict() 和 __call__() 之间差异的更多详细信息，请参阅此常见问题解答条目。

参数

x：输入样本。它可以是
- 一个 Numpy 数组（或类数组），或数组列表（如果模型有多个输入）。
- 一个 TensorFlow 张量，或张量列表（如果模型有多个输入）。
- 一个 tf.data 数据集。
- 一个生成器或 keras.utils.Sequence 实例。有关迭代器类型（数据集、生成器、序列）解包行为的更详细描述，请参阅 Model.fit 的 Unpacking behavior for iterator-like inputs 部分。
batch_size：整数或 None。每个批次的样本数。如果未指定，batch_size 将默认为 32。如果您的数据以数据集、生成器或 keras.utils.Sequence 实例的形式存在，则不要指定 batch_size（因为它们会生成批次）。
verbose： "auto"、0、1 或 2。详细模式。0 = 静默，1 = 进度条，2 = 单行。在大多数情况下，"auto" 变为 1，当与 ParameterServerStrategy 一起使用时，变为 2。请注意，当记录到文件时，进度条不是特别有用，因此建议在不以交互方式运行时（例如，在生产环境中）使用 verbose=2。默认为“auto”。
steps：声明预测回合结束之前的总步数（样本批次）。如果默认值为 None，则忽略。如果 x 是一个 tf.data 数据集且 steps 为 None，则 predict() 将运行到输入数据集耗尽。
callbacks：keras.callbacks.Callback 实例的列表。在预测期间应用的回调列表。请参阅回调。
max_queue_size：整数。仅用于生成器或 keras.utils.Sequence 输入。生成器队列的最大大小。如果未指定，max_queue_size 将默认为 10。
workers：整数。仅用于生成器或 keras.utils.Sequence 输入。在使用基于进程的线程时要启动的最大进程数。如果未指定，workers 将默认为 1。
use_multiprocessing：布尔值。仅用于生成器或 keras.utils.Sequence 输入。如果为 True，则使用基于进程的线程。如果未指定，use_multiprocessing 将默认为 False。请注意，由于此实现依赖于多进程，因此您不应将不可 pickle 的参数传递给生成器，因为它们无法轻松传递给子进程。

请参阅 Model.fit 的 Unpacking behavior for iterator-like inputs 的讨论。请注意，Model.predict 使用与 Model.fit 和 Model.evaluate 相同的解释规则，因此对于所有三种方法，输入都必须是明确的。

返回值

预测的 Numpy 数组。

引发

RuntimeError：如果 model.predict 被包裹在 tf.function 中。
ValueError：如果提供的输入数据与模型的期望不匹配，或者有状态模型接收到的样本数量不是批次大小的倍数。

[来源]

`train_on_batch` 方法

Model.train_on_batch(
    x,
    y=None,
    sample_weight=None,
    class_weight=None,
    reset_metrics=True,
    return_dict=False,
)

对单个数据批次运行单个梯度更新。

参数

x：输入数据。它可以是
- 一个 Numpy 数组（或类数组），或数组列表（如果模型有多个输入）。
- 一个 TensorFlow 张量，或张量列表（如果模型有多个输入）。
- 一个将输入名称映射到相应数组/张量的字典，如果模型有命名的输入。
y：目标数据。与输入数据 x 一样，它可以是 Numpy 数组或 TensorFlow 张量。
sample_weight：与 x 长度相同的可选数组，包含应用于每个样本的模型损失的权重。对于时间数据，您可以传递一个形状为 (samples, sequence_length) 的 2D 数组，以便对每个样本的每个时间步应用不同的权重。
class_weight：可选字典，将类索引（整数）映射到权重（浮点数），以便在训练期间应用于来自该类的样本的模型损失。这对于告诉模型“更加关注”来自代表性不足的类的样本非常有用。当指定 class_weight 并且目标的秩为 2 或更大时，y 必须是独热编码的，或者必须为稀疏类标签包含一个显式的最终维度 1。
reset_metrics：如果为 True，则返回的指标将仅针对此批次。如果为 False，则指标将在各个批次之间有状态地累积。
return_dict：如果为 True，则损失和指标结果将作为字典返回，每个键都是指标的名称。如果为 False，则将它们作为列表返回。

返回值

标量训练损失（如果模型只有一个输出且没有指标）或标量列表（如果模型有多个输出和/或指标）。属性 model.metrics_names 将为您提供标量输出的显示标签。

引发

RuntimeError：如果 model.train_on_batch 被包裹在 tf.function 中。

[来源]

`test_on_batch` 方法

Model.test_on_batch(
    x, y=None, sample_weight=None, reset_metrics=True, return_dict=False
)

在单个样本批次上测试模型。

参数

x：输入数据。它可以是
- 一个 Numpy 数组（或类数组），或数组列表（如果模型有多个输入）。
- 一个 TensorFlow 张量，或张量列表（如果模型有多个输入）。
- 一个将输入名称映射到相应数组/张量的字典，如果模型有命名的输入。
y：目标数据。与输入数据 x 一样，它可以是 Numpy 数组或 TensorFlow 张量。它应该与 x 一致（您不能有 Numpy 输入和张量目标，反之亦然）。
sample_weight：与 x 长度相同的可选数组，包含应用于每个样本的模型损失的权重。对于时间数据，您可以传递一个形状为 (samples, sequence_length) 的 2D 数组，以便对每个样本的每个时间步应用不同的权重。
reset_metrics：如果为 True，则返回的指标将仅针对此批次。如果为 False，则指标将在各个批次之间有状态地累积。
return_dict：如果为 True，则损失和指标结果将作为字典返回，每个键都是指标的名称。如果为 False，则将它们作为列表返回。

返回值

引发

RuntimeError：如果 model.test_on_batch 被包裹在 tf.function 中。

[来源]

`predict_on_batch` 方法

Model.predict_on_batch(x)

返回单个样本批次的预测。

参数

x：输入数据。它可以是
- 一个 Numpy 数组（或类数组），或数组列表（如果模型有多个输入）。
- 一个 TensorFlow 张量，或张量列表（如果模型有多个输入）。

返回值

预测的 Numpy 数组。

引发

RuntimeError：如果 model.predict_on_batch 被包裹在 tf.function 中。

`run_eagerly` 属性

tf_keras.Model.run_eagerly

可设置的属性，指示模型是否应急切运行。

急切运行意味着您的模型将像 Python 代码一样逐步运行。您的模型可能会运行得更慢，但是通过逐步进入各个层调用，您应该可以更轻松地调试它。

默认情况下，我们将尝试将您的模型编译为静态图，以提供最佳的执行性能。

返回值

布尔值，指示模型是否应急切运行。

模型训练 API

compile 方法

fit 方法

evaluate 方法

predict 方法

train_on_batch 方法

test_on_batch 方法

predict_on_batch 方法

run_eagerly 属性

模型训练 API

compile 方法

fit 方法

evaluate 方法

predict 方法

train_on_batch 方法

test_on_batch 方法

predict_on_batch 方法

run_eagerly 属性

`compile` 方法

`fit` 方法

`evaluate` 方法

`predict` 方法

`train_on_batch` 方法

`test_on_batch` 方法

`predict_on_batch` 方法

`run_eagerly` 属性