导入
简介
机器学习模型开发流程概述
在本节中，你将学习 TensorFlow 中的模型执行过程，包括模型训练、评估以及进行预测。接下来章节中介绍的技术和 API 被业界顶尖专业人士广泛使用，能够轻松构建结构清晰且高效的机器学习模型。
你创建的第一个模型将是分类模型。分类模型接收数据样本，并将其标记为特定类别。例如，分类模型可用于欺诈检测任务，将交易判定为欺诈或合法。
你创建的第二个模型将是回归模型。回归模型接收数据样本，并输出一个数值，例如使用本课程提供的超市数据集来预测销售额。
A. 创建模型
所有机器学习模型都遵循相同的结构：需要一个输入层，进行若干计算操作，最终生成输出。在接下来的章节中，我们将使用一种通用的多层感知机（Multilayer Perceptron, MLP）神经网络来完整讲解这一过程。
B. 开发流程
机器学习模型的开发过程包含持续的训练与评估。许多机器学习模型的训练耗时极长，有些甚至需要数天乃至数周才能完成训练。
由于训练时间较长，在训练过程中定期保存当前模型状态非常有用。这样可以在需要时暂停训练，并在之后从相同位置恢复训练。同时，也允许我们回退到之前版本的模型，以防出现问题或发生过拟合。
能够高效地保存和恢复模型是 TensorFlow 最出色的特性之一。TensorFlow 库的另一大优势在于可以轻松记录某些关键数值，例如模型的准确率或损失值。这对于及时发现训练过程中的异常情况至关重要。