第 3 章 Keras 装配线：建模、训练与存档

第 3 章 · Keras 装配线：建模、训练与存档

章节摘要：compile 与 fit 两行命令背后，是排程室里一整套自动完成的调度：把损失、优化器、指标装配进训练步，跟踪成图，逐批执行前向、求导、更新，途中按节拍唤醒回调。本章以加州房价回归为主线案例，从三种建模方式讲到训练三步的内部真相，再逐节拆解优化器、损失函数、正则化、回调与模型存档。读完你将既能"两行训练"地高效，也能看穿这两行里发生的每一件事。

学习目标

阅读完本章，你应当能够：

1. 用 Sequential、函数式、子类化三种方式对加州房价数据建模，并说出各自的取舍；
2. 解释 fit 一次迭代内部发生的前向、求导、更新三步及其图模式归属；
3. 按任务类型选择优化器与损失函数，说清学习率对收敛的实际影响；
4. 用 Dropout、正则项与早停组合抑制过拟合，并验证效果；
5. 写自定义回调在训练中动态干预，用两套格式保存与恢复模型。

核心概念速览

图 11 Keras 装配线布局：从层到存档的五站

一句金句：compile 是签发训练规程，fit 是按规程逐批调度——高级 API 的简洁不是黑魔法，而是把第 1 章的机制替你排满了。

子章节导航

3.1 Keras 与排程室的分工

高级 API 到底包了什么、没包什么：层是图的积木，fit 是训练步的批量排程，把握边界才能知道何时该往下钻。

3.2 三种建模方式

Sequential 的直线装配、函数式的任意有向图、子类化的完全自由，各自适合的结构与代价。

3.3 compile、fit、evaluate：训练三步的内部调度

训练步函数被跟踪成图的全过程，指标累计的机制，验证数据的处理，以及如何用 run_eagerly 验证你的理解。

3.4 优化器：参数更新的调度策略

从 SGD 到 Adam 的策略谱系，学习率的杠杆效应，回调联动的动态调节。

3.5 损失函数：误差信号的发生器

回归用均方差、分类用交叉熵的机理，from_logits 陷阱，自定义损失的写法。

3.6 正则化：给排程加上约束

权重衰减、Dropout、早停三件武器的机理与组合，加州房价上的过拟合现场与治理。

3.7 回调函数：训练过程的监控哨

回调的唤醒节拍表，ModelCheckpoint、EarlyStopping、LearningRateScheduler 的实战组合，自定义回调模板。

3.8 模型保存与加载：把排程图存档

权重与全模型两种存法、Keras 格式与 SavedModel 两种格式的边界，加载后继续训练的必要动作。

子章节之间的逻辑关系

本章八节沿"结构、规程、循环、配件、纪律、监控、存档"推进：3.1 与 3.2 定下前向结构，3.3 是全章枢纽——fit 的内部真相让后面每一件配件的接入点变得清晰；3.4 与 3.5 是训练步里的两大配件，3.6 是配件参数的约束面，3.7 是循环外的监控线，3.8 收尾于交付。主线案例加州房价贯穿八节，每一节都在同一个项目上添一块能力。

3.1 分工 ──> 3.2 建模 ──> 3.3 fit 内部（枢纽）
                              │
              3.4 优化器 ─────┤
              3.5 损失 ───────┤
              3.6 正则 ───────┤
                              v
                    3.7 回调 ──> 3.8 存档 ──> 第 4 章换结构、第 5 章上部署
​

前置知识与后续延伸

• 前置知识：第 1 章的变量与执行模式（3.3 节直接引用），第 2 章的批次管道（fit 的输入即管道产出）。
• 后续延伸：第 4 章把 3.2 的建模扩展到 CNN、RNN 等结构族；5.1 节把 3.3 的 fit 内部拆开手写；5.3 节的部署线从 3.8 的存档格式接棒。