模型 model

model类封装了训练和推断的逻辑。主要功能是准备数据（划分batch）、初始化网络（根据传入的net对象）和管理训练过程。

初始化 model(net, data, **kargs)

必选参数：

• net： 定义网络结构的net对象
• data： 训练或测试用数据，dict对象，包括X_train, X_val, y_train, y_val

可选参数：

• update_rule：优化器函数
• optim_config：Dict, 优化器的初始配置
• lr_decay：Float, 学习率调控
• batch_size：Int, 批次大小，默认100
• num_epochs：Int, 训练批次，默认10
• print_every：Int, 打印频次，默认10
• verbose：Boolean, 是否显示进度，默认True
• num_train_sample： Int, 训练用样本数，默认是1000，设置为None则使用传入的全部数据
• num_val_sample： Int，验证集样本数，默认None，即使用全部验证样本
• checkpoint_name：存档点路径及名称

warmup()

model对象建立后即可执行，传入一个batch的数据来初始化网络的习得参数。

train()

train方法完成训练过程的逻辑，首先是划分数据的批次，完成模型的一次参数更新，在一个epoch结束后在验证集上检测结果，保存存档点和当前最佳参数。

参数更新用到内部方法_step()，核心逻辑如下：

# foward pass
loss, dout = self.net.loss(X_batch, y_batch)
# backward pass
self.net.backward(self.optimizer, dout)

predict(X) 和 check_accuracy(y_pred, y)

推断时，传入测试数据后，由predict()方法可以得到y_pred，之后连同真实值调用check_accuracy()方法即可得到正确率。

了解更多有关model的作用，参见设计理念。