Оценка модели в TensorFlow

После подбора весов ошибку на отдельной таблице считают методом evaluate. Ему передают те же столбцы, что при обучении: признаки и эталонные ответы. Возвращается одно число - значение выбранной при компиляции ошибки.

Обучим модель на двух строках, затем проверим её на третьей паре, которую сеть ещё не видела:

import tensorflow as tf
import numpy as np

tf.keras.utils.set_random_seed(0)
model = tf.keras.Sequential([
	tf.keras.layers.Dense(1, input_shape=(1,)),
])
model.compile(
	optimizer=tf.keras.optimizers.SGD(
		learning_rate=0.1
	),
	loss="mse",
)
train_x = np.array(
	[[1.0], [2.0]], dtype=np.float32
)
train_y = np.array(
	[[3.0], [5.0]], dtype=np.float32
)
check_x = np.array([[3.0]], dtype=np.float32)
check_y = np.array([[7.0]], dtype=np.float32)
model.fit(train_x, train_y, epochs=2, verbose=0)
score = model.evaluate(check_x, check_y, verbose=0)
print(score)
# выведет 0.6174351572990417

Проверочную таблицу можно передать тензорами. Параметр verbose со значением ноль убирает лишний текст и оставляет только результат:

import tensorflow as tf

tf.keras.utils.set_random_seed(0)
model = tf.keras.Sequential([
	tf.keras.layers.Dense(1, input_shape=(1,)),
])
model.compile(optimizer="sgd", loss="mse")
train_x = tf.constant([[0.0], [1.0]])
train_y = tf.constant([[1.0], [3.0]])
check_x = tf.constant([[2.0]])
check_y = tf.constant([[5.0]])
model.fit(train_x, train_y, epochs=2, verbose=0)
score = model.evaluate(check_x, check_y, verbose=0)
print(score)
# выведет 22.062347412109375

Обучите модель с одним входом на парах (0, 1) и (1, 3). Посчитайте ошибку на паре (2, 5) одним числом.

Подберите веса на таблице из строк [2.0] и [4.0] с ответами 5.0 и 9.0. Выведите ошибку для строки [6.0] с эталоном 13.0.

Задайте обучение на двух строках [1.0, 0.0] и [0.0, 1.0] с целями 1.0 и 2.0. Проверьте качество на строке [1.0, 1.0] с эталоном 3.0.