Tensorflow2 model.compile()理解

在TensorFLow2中进行神经网络模型的训练主要包括以下几个主要的步骤：

• 导入相关模块import
• 准备数据，拆分训练集train、测试集test
• 搭建神经网络模型model (两种方法：Sequential或自定义模型class)
• 模型编译model.compile()
• 模型训练model.fit()
• 查看模型model.summary()
• 模型评价
• 模型预测model.predict()

model.compile()的作用就是为搭建好的神经网络模型设置损失函数loss、优化器optimizer、准确性评价函数metrics。

这些方法的作用分别是：

• 损失函数和优化器用在反向传播的时候，我们会求损失函数对训练变量的导数，即梯度，然后根据选择的优化器来确定参数更新公式，根据公式对可训练参数进行更新。
• 准确性评价函数用在评估模型预测的准确性。在模型训练的过程中，我们会记录模型在训练集、验证集上的预测准确性，之后会据此绘制准确率随着训练次数的变化曲线。通过查看和对比训练集、测试集随着训练次数的准确率曲线，我们能发现模型是否是过拟合、欠拟合，或者也可以发现多少轮后可以停止模型训练了。

由上可以看出，神经网络模型建模训练的过程中，核心的灵魂环节就是搭建模型和编译compile了。所以，这是非常非常重要的一个模块。

1、首先，上代码，直观看下model.compile()在神经网络建模中的使用示例

#model.compile()配置模型训练方法
model.compile(  
    optimizer = tf.keras.optimizers.SGD(lr = 0.1), #使用SGD优化器，学习率为0.1
    loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits = False), #配置损失函