Keras模型在輸入數(shù)據(jù)和標簽的Numpy矩陣上進行訓(xùn)練。為了訓(xùn)練一個模型，你通常會使用fit函數(shù)。文檔詳見此處。

fit(self,x,y,batch_size=32,epochs=10,verbose=1,callbacks=None,

validation_split=0.0,validation_data=None,shuffle=True,

class_weight=None,sample_weight=None,initial_epoch=0)

本函數(shù)將模型訓(xùn)練nb_epoch輪，其參數(shù)有：

x：輸入數(shù)據(jù)，如果模型只有一個輸入，那么x的類型是numpyarray，如果模型有多個輸入，那么x的類型應(yīng)當(dāng)是list，list的元素是對應(yīng)于各個輸入的numpyarray

y：標簽，numpyarray

batch_size：整數(shù)，指定進行梯度下降時每個batch包含的樣本數(shù)，訓(xùn)練時一個batch的樣本會被計算一次梯度下降，使目標函數(shù)優(yōu)化一步。

epochs：整數(shù)，訓(xùn)練的輪數(shù)，每個epoch會把訓(xùn)練集輪一遍。

verbose：日志顯示，0為不在標準輸出流輸出日志信息，1為輸出進度條記錄，2為每個epoch輸出一行記錄

callbacks：list,，其中的元素是keras.callbacks.Callback的對象。這個list中的回調(diào)函數(shù)將會在訓(xùn)練過程中的適當(dāng)時機被調(diào)用，參考回調(diào)函數(shù)。

validation_split：0~1之間的浮點數(shù)，用來指定訓(xùn)練集的一定比例數(shù)據(jù)作為驗證集。驗證集將不參與訓(xùn)練，并在每個epoch結(jié)束后測試的模型的指標，如損失函數(shù)，精確度等。注意，validation_split的劃分在shuffle之前，因此如果你的數(shù)據(jù)本身是有序的，需要先手工打亂再指定validation_split，否則可能會出現(xiàn)驗證集樣本不均勻。

validation_data：形式為(X，y)的tuple，是指定的驗證集，此參數(shù)將覆蓋validation_spilt。

shuffle：布爾值或者字符串，一般為布爾值，表示是否在訓(xùn)練過程中隨機打亂輸入樣本的順序。若為字符串“batch”，則用來處理HDF5數(shù)據(jù)大特殊情況，它將在batch內(nèi)部將數(shù)據(jù)打亂。

class_weight：字典，將不同的類別映射為不同的權(quán)重，該參數(shù)用來訓(xùn)練過程中調(diào)整損失函數(shù)(只能用于訓(xùn)練)

sample_weight：權(quán)值的numpyarray，用于在訓(xùn)練時調(diào)整損失(僅用于訓(xùn)練)。

可以傳遞一個1D的與樣本等長的向量用于對樣本進行1對1的加權(quán)，或者在面對時序數(shù)據(jù)時，傳遞一個的形式為(samples，sequence_length)的矩陣來為每個時間步上的樣本賦不同的權(quán)。這種情況下請確定在編譯模型時添加了sample_weight_mode=‘temporal’。

initial_epoch：從該參數(shù)指定的epoch開始訓(xùn)練，在繼續(xù)之前的訓(xùn)練時候有用。

fit函數(shù)返回一個History的對象，其History.history屬性記錄了損失函數(shù)和其他指標的數(shù)值隨著epoch變化的情況，如果有驗證集的話，也包含了驗證集的這些指標變化情況。

以上內(nèi)容為大家介紹了python的keras訓(xùn)練，希望對大家有所幫助，如果想要了解更多Python相關(guān)知識，請關(guān)注IT培訓(xùn)機構(gòu):千鋒教育。