这篇教程TensorFlow人工智能学习Keras高层接口应用示例写得很实用，希望能帮到您。
1.metricskeras.metrics可以用来对数据进行记录跟踪，当我们的数据量太大，又想在中间就看看训练的情况的时候，可以使用此接口。步骤如下：
①创建Meter通过metrics中带有的借口，创建一个meter。 
②更新数据当我们在某一行代码得到了需要的数据的时候，就可以调用update_state方法，将数据进行更新。注意，不同的方法需要传入的参数是不一样的。 
③获取数据我们可以设置在某个节点或状态的时候，获取当前的meter所存储的数据。 
④重置状态当一个阶段数据记录查看结束后，使用reset_states重置meter，记录下一阶段。 
2.快捷训练生成了一个模型之后，有compile, fit, evalute, predict等接口可以调用，这可以使得我们的训练很容易实现。
①compile这个方法中可以指定：优化器+lr，损失，准确率等。 
②fit完成compile之后，直接调用fit，给出训练数据，指定epoch就可以了。 
以上两行，就可以直接完成训练，训练过程中会返回一些基本信息，训练周期，数据量，使用的时间，每一步使用的时间，每一个周期后的损失值等。 
fit中还可以给出validation_data = test_data, validation_freq=2，也就是循环2次训练，就进行一次测试，会打印出测试分数。可见下面情况已经过拟合了。 
③evaluate调用这个方式之后，会在训练完成后，进行测试，并打印出测试结果。 
④predict这个其实和network(x)是一样的，就是完成前向传播。 
以上就是TensorFlow人工智能Keras高层接口应用示例的详细内容，更多关于TensorFlow人工智能Keras高层接口的资料请关注51zixue.net其它相关文章！
python人工智能TensorFlow自定义层及模型保存
Python Django模板系统详解 |
