在以增量方式训练tensorflow (2.0)模型时，何时调用compile？

在以增量方式训练TensorFlow (2.0)模型时，通常在每次进行模型训练之前调用compile()方法。compile()方法用于配置模型的训练参数，包括优化器、损失函数和评估指标等。

具体来说，调用compile()方法可以完成以下几个任务：

1. 指定优化器：通过optimizer参数指定用于优化模型的算法，例如tf.keras.optimizers.Adam表示使用Adam优化器。
2. 指定损失函数：通过loss参数指定模型的损失函数，根据具体任务选择适当的损失函数，例如tf.keras.losses.BinaryCrossentropy表示使用二分类交叉熵损失函数。
3. 指定评估指标：通过metrics参数指定模型的评估指标，用于衡量模型在训练过程中的性能，例如tf.keras.metrics.Accuracy表示使用准确率作为评估指标。

调用compile()方法后，模型会根据指定的优化器、损失函数和评估指标进行配置，为后续的训练做好准备。在每次进行增量训练时，可以通过调用fit()方法来实际训练模型。

以下是一个示例代码片段，展示了如何在增量训练TensorFlow模型时调用compile()方法：

import tensorflow as tf

# 构建模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

# 调用compile()方法配置模型
model.compile(optimizer=tf.keras.optimizers.Adam(),
              loss=tf.keras.losses.SparseCategoricalCrossentropy(),
              metrics=[tf.keras.metrics.SparseCategoricalAccuracy()])

# 进行增量训练
model.fit(x_train, y_train, epochs=10, batch_size=32)

在上述示例中，首先构建了一个简单的Sequential模型，然后调用compile()方法配置模型的优化器、损失函数和评估指标。最后通过调用fit()方法进行模型的增量训练。

腾讯云相关产品和产品介绍链接地址：

• 腾讯云：https://cloud.tencent.com/
• TensorFlow on Cloud：https://cloud.tencent.com/product/tfoc