3.1 Keras 与排程室的分工：高级 API 的执行真相

3.1 Keras 与排程室的分工：高级 API 的执行真相

本节摘要：Keras 不是与 TensorFlow 并列的另一个框架，而是 TensorFlow 官方的高级建模接口：层负责声明前向结构，compile 负责装配训练规程，fit 负责逐批调度执行。本节用加州房价回归跑通第一条装配线，讲清高级 API 各组件与第 1 章机制（张量、变量、图、求导）的一一对应关系——知道它包了什么、没包什么，才能判断什么时候该往下钻。

学习目标

阅读完本节，你应当能够：

1. 说出 Keras 层、模型、损失、优化器四个组件各自封装了第 1 章的哪个机制；
2. 用最少代码在加州房价上完成一次完整训练并解读输出；
3. 判断"这个需求 fit 能不能直接做"，给出往下钻的判断标准。

两行命令包掉了什么

先看最短路径：加载第 2 章已标准化的加州房价数据，建模、编译、训练、评估，总共四行核心调用。

import tensorflow as tf
import numpy as np
from sklearn.datasets import fetch_california_housing

housing = fetch_california_housing()
X = housing.data.astype("float32")
y = housing.target.astype("float32")

model = tf.keras.Sequential([
    tf.keras.layers.Input(shape=(8,)),
    tf.keras.layers.Dense(64, activation="relu"),
    tf.keras.layers.Dense(1),
])
model.compile(optimizer=tf.keras.optimizers.Adam(0.001), loss="mse")

history = model.fit(X, y, epochs=5, batch_size=64, validation_split=0.2, verbose=0)
print(f"final loss: {history.history['loss'][-1]:.4f}")
# 输出示例：final loss: 0.4917
# 数值随初始化浮动，五轮内从约 1.2 降到 0.5 上下

loss, = model.evaluate(X[-4128:], y[-4128:], verbose=0)
print(f"eval loss: {loss:.4f}")
# 输出示例：eval loss: 0.5053
​

这四行在排程室里的完整剧本：Sequential 把三个层登记成前向图，每个 Dense 在首次调用时创建权重 Variable（1.6 节的机制）；compile 把损失与优化器装配进一张"训练步规程"；fit 用 1.5 节的 tf.function 把训练步跟踪成图，然后逐批执行——前向调 Dense 链算预测，GradientTape 沿图回放求梯度，优化器 assign 写变量；evaluate 在不更新变量的模式下跑同一套前向。

图 12 四行代码与四层机制的对应

边界：fit 能做什么、不能做什么

高级 API 的边界感决定你的技术路线。fit 直接支持的：单输入单输出、多输入多输出（传字典或元组）、数据集输入、验证集、类权重、回调。它不便支持的：单个批次内的复杂逻辑（如对抗训练的交替更新）、非标准损失组合的精细控制、多优化器并行。判断口诀：流程是"逐批前向求导更新"这个形状的，fit 能装；形状不同的训练流程，去 5.1 节手写。

# 边界实验：验证 fit 确实在图模式下跑
import time

big_x = np.random.rand(50000, 8).astype("float32")
big_y = np.random.rand(50000).astype("float32")

model.compile(optimizer="adam", loss="mse", run_eagerly=False)   # 默认图模式
t0 = time.time()
model.fit(big_x, big_y, epochs=1, batch_size=64, verbose=0)
graph_mode_s = time.time() - t0

model.compile(optimizer="adam", loss="mse", run_eagerly=True)    # 强制逐行执行
t0 = time.time()
model.fit(big_x, big_y, epochs=1, batch_size=64, verbose=0)
eager_mode_s = time.time() - t0
print(f"graph {graph_mode_s:.1f}s vs eager {eager_mode_s:.1f}s")
# 参考输出：graph 1.4s vs eager 8.2s
# run_eagerly 是理解 1.5 节的实验开关，生产环境保持默认 False
​

何时往下钻

三个信号提示该往下钻了。信号一，需要看中间量：调试时想知道某层的输出分布、梯度的范数，别在 fit 外围猜，用 3.7 节自定义回调或 5.1 节手写循环。信号二，训练形状不同：GAN 的两个网络交替更新、对比学习的成对采样，fit 装不下。信号三，性能细节：混合精度、自定义梯度，都要绕过高级 API 直接操作图。反过来说，只要 fit 还装得下，就别手写——高级 API 少写的是代码，更是出错面。

⚠️ 常见坑：在 fit 之前忘了 compile，报错信息直指模型未编译，但新手常去查数据形状。看到 "compile your model" 字样，先补 compile 再查别的。

💡 关键直觉：把 Keras 组件当成排程室的岗位表——层是登记员、compile 是规程起草人、fit 是调度员、回调是巡检员。出问题时先判断"该找哪个岗位"，排查路径立刻清晰。

本节要点回顾

• Keras 是官方高级接口：层、compile、fit 分别封装图登记、规程装配、逐批调度。
• 四行最短路径：建模、编译、训练、评估，背后是第 1 章全套机制。
• run_eagerly 开关：性能对比证明 fit 默认在图模式执行。
• 边界口诀：标准形状的训练 fit 能装，形状不同去手写循环。
• 三个下钻信号：看中间量、非标流程、性能细节。

下节把"建模"这一步展开成三种方式。