之前帶大家一起使用Keras訓練了一個GRU模型，并使用mnist的手寫字體數據集進行了驗證。本期小編將繼續帶來一篇擴展，即GRU模型的測試方法。盡管我們將其當作和CNN類似的方式，一次性傳給他固定長度的數據，但在具體實現上來說，還是另有門道的。讓我們慢慢講來。

首先回顧前面我們最終訓練并導出的測試模型：

注意紅色標注的位置，這就是一個典型的GRU節點：

模型的輸入是28*28，代表的含義是：時間步*特征維度，簡單來說，就是一次性送入模型多久的數據，即時間步實際上是一個時間單位。例如，我們想測試1s的數據進行檢測。那么可以將其提取出來10*28的特征向量，那么每一個特征代表的就是1s/10即100ms的音頻特征。了解了時間步，再回到模型本身，這里就是其中一種模型推理形式。即一次性將所有的數據都送進去，即1s對應的特征數據。然后計算得出一個結果。好處是：所見所得，和CNN類似，缺點是：必須等待1s數據，且循環time_step次。

那有沒有替代方案呢？當然，那就是小編要提到的另一種，我們在導出模型時候將time_step設置為1，并且設置stateful=True，同時將time_step=N的模型權重設置到新模型上。這里的stateful=True要注意，因為我們將之前連續的time_step拆成了獨立的，因此需要讓模型記住前一次的中間狀態。

可能這里大家有些疑問，為什么兩個模型time_step不同，權重竟然通用。這就要說GRU模型的特殊性了，我們剛才看到的被展開的小GRU節點，其實是權重共享的。也就是說，不管展開多少次，他們的權重不會變（這個讀者可以打開模型自行查看驗證）。因此，就可以用如下代碼生成新模型，并設置權重：

讓我們看看模型的樣子：

是不是看起來非常清爽，請注意右下角那個AssignVariable，這個就是為了保存當前狀態，在下一次推理可以直接使用上一次的狀態。需要注意的是，由于模型輸入變成了一個time step，即1*28，在送入模型前，要注意一下。后續處理部分，依舊是FullyConnected+Softmax的形式，其他沒有改變，照常即可。

至此，所有關于GRU模型的介紹以及使用就全部講完了。MCU端的部署要靠大家自行體驗了，因為模型本身實際上可以使用和CNN一樣的推理方案，只是內部結構不同而已，希望對大家有所幫助！

恩智浦致力于打造安全的連接和基礎設施解決方案，為智慧生活保駕護航。