阅读量:0
在TensorFlow中，可以通过使用Keras中的model.evaluate()方法来实现模型的自我评估。该方法可以接受测试数据集作为输入，并返回模型在测试数据集上的性能指标。
下面是一个简单的示例代码，演示如何在TensorFlow中实现模型的自我评估：
import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense # 构建一个简单的神经网络模型 model = Sequential([ Dense(64, activation='relu', input_shape=(10,)), Dense(64, activation='relu'), Dense(1, activation='sigmoid') ]) # 编译模型 model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) # 生成一些随机的训练和测试数据 import numpy as np x_train = np.random.random((1000, 10)) y_train = np.random.randint(2, size=(1000, 1)) x_test = np.random.random((100, 10)) y_test = np.random.randint(2, size=(100, 1)) # 训练模型 model.fit(x_train, y_train, epochs=10, batch_size=32) # 评估模型性能 loss, accuracy = model.evaluate(x_test, y_test) print('Test loss:', loss) print('Test accuracy:', accuracy) 在上面的示例中，首先构建了一个简单的神经网络模型，然后编译模型并使用随机生成的训练和测试数据进行训练。最后，调用model.evaluate()方法对模型在测试数据集上的性能进行评估，并打印出损失和准确率等指标。
