上所有样本，并打印出性能指标，例如： network.evaluate(db_test) # 模型测试，测试在 db_test 上的性能表现 8.3 模型保存与加载 模型训练完成后，需要将模型保存到文件系统上，从而方便后续的模型测试与部署工 作。实际上，在训练时间隔性地保存模型状态也是非常好的习惯，这一点对于训练大规模 的网络尤其重要。一般大规模的网络需要训练数天乃至数周的时长，一旦训练过程被中断 Keras 中，有三种常用的模型保存与加载方法。 8.3.1 张量方式 网络的状态主要体现在网络的结构以及网络层内部张量数据上，因此在拥有网络结构 源文件的条件下，直接保存网络张量参数到文件系统上是最轻量级的一种方式。我们以 MNIST 手写数字图片识别模型为例，通过调用 Model.save_weights(path)方法即可将当前的 网络参数保存到 path 文件上，代码如下： network 预览版202112 第 8 章 PyTorch 网络模型 8 print('saving savedmodel.') del network # 删除网络对象 此时在文件系统 model-savedmodel 目录上出现了如下网络文件，如图 8.1 所示： 图 8.1 SavedModel 保存模型 用户无需关心文件的保存格式，只需要通过 tf.saved_model

Shuffle py_function 重采样 支持多种数据格式 图像文件 文本文件 CSV 文件 NumPy 数组 Python 生成器 TFRecord 支持多种数据来源 本地文件 分布式文件系统 对象存储系统 tf.distribute：一行代码实现分布式 Training API MirroredStrategy TPUStrategy MultiWorkerMirro redStrategy

3 SSH Job 1 Train Job 1 Val Job 2 WK Job 2 WK Job 3 监控/启停 任务调度/资源管理 监控上报 cephfs存储集 群 本地文件系统 数据 模型/日志 client 管理数据 提取模型、 查看日志 提交/管理任务 用户 docker.oa.co m 自动拉取镜像 Redis 冷数据 热任务/监控数据/集群信息