На этом шаге мы проведем оценку модели.
Мы можем оценить модель, применив argmax к прогнозам на контрольных изображениях и сравнив с ожидаемыми метками:
predictions = model(test_images) # Метод .numpy() преобразует тензор TensorFlow в тензор NumPy predictions = predictions.numpy() predicted_labels = np.argmax(predictions, axis=1) matches = predicted_labels == test_labels print(f"accuracy: {matches.mean():.2f}")
Вот и все! Как видите, довольно сложно реализовать "вручную" то, что можно выполнить с помощью нескольких строк кода, использующих Keras. Но теперь, пройдя через эти этапы, вы должны четко уяснить происходящее внутри нейронной сети при вызове ее метода fit(). Понимание низкоуровневых деталей поможет вам эффективнее использовать высокоуровневые функции Keras API.
На следующем шаге мы подведем некоторые итоги.
