Tensorflow2.0 训练：model.compile vs GradientTape
Tensorflow2.0 training: model.compile vs GradientTape
我开始学习 Tensorflow2.0，我感到困惑的一个主要原因是什么时候使用 keras-like model.compile vs tf.GradientTape训练模型。
在用于 MNIST 分类的 Tensorflow2.0 教程中，他们训练了两个相似的模型。 One with model.compile and the other with tf.GradientTape.
抱歉，如果这是微不足道的，但你什么时候使用一个而不是另一个？
这确实是一件 case-specific 的事情，这里很难给出一个明确的答案（它可能也接近于“opinion-based”）。但总的来说，我会说
- "classic" Keras 界面（使用
compile、fit 等）允许快速轻松地构建、训练和评估标准模型。但是，它非常 high-level/abstract，因此不会给您太多 low-level 控制权。如果您正在实施具有 non-trivial 控制流的模型，这可能很难适应。
GradientTape 让您完全 low-level 控制 training/running 模型的所有方面，允许更轻松的调试以及更复杂的架构等，但您需要编写更多compiled 模型会向您隐藏的许多事情的样板代码（例如训练循环）。尽管如此，如果您从事深度学习研究，您可能大部分时间都在这个级别上工作。
我开始学习 Tensorflow2.0，我感到困惑的一个主要原因是什么时候使用 keras-like model.compile vs tf.GradientTape训练模型。
在用于 MNIST 分类的 Tensorflow2.0 教程中，他们训练了两个相似的模型。 One with model.compile and the other with tf.GradientTape.
抱歉，如果这是微不足道的，但你什么时候使用一个而不是另一个？
这确实是一件 case-specific 的事情，这里很难给出一个明确的答案（它可能也接近于“opinion-based”）。但总的来说，我会说
- "classic" Keras 界面（使用
compile、fit等）允许快速轻松地构建、训练和评估标准模型。但是，它非常 high-level/abstract，因此不会给您太多 low-level 控制权。如果您正在实施具有 non-trivial 控制流的模型，这可能很难适应。 GradientTape让您完全 low-level 控制 training/running 模型的所有方面，允许更轻松的调试以及更复杂的架构等，但您需要编写更多compiled模型会向您隐藏的许多事情的样板代码（例如训练循环）。尽管如此，如果您从事深度学习研究，您可能大部分时间都在这个级别上工作。