Keras学习（二）—— 模型相关函数: model.train_on_batch()

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接： https://blog.csdn.net/weixin_42886817/article/details/99855287

函数作用

• model.train_on_batch() 在训练集数据的一批数据上进行训练

函数定义

train_on_batch(x, y, sample_weight=None, class_weight=None)

参数含义：

• x Numpy训练数据数组，或Numpy数组列表（如果模型有多个输入）。 如果模型中的所有输入都已命名，还可以将字典映射输入名称传递给Numpy数组。

• y 如果模型具有多个输出，则为Numpy目标数据数组或Numpy数组列表。 如果模型中的所有输出都已命名，您还可以将字典映射输出名称传递给Numpy数组。

• sample_weight 可选参数，与x长度相同的数组，包含应用于每个样本的模型损失的权重。
  在时间数据的情况下，您可以传递具有形状（samples，sequence_length）的2D数组，以对每个样本的每个时间步应用不同的权重。 在这种情况下，您应该确保在compile()中指定：
  sample_weight_mode="temporal"

• class_weight 可选参数，使用字典dict将类索引（整数）映射到权重（浮点），以在训练期间应用于此类的样本的模型损失。 这可以用来告诉模型“更多地关注”来自代表性不足的类的样本。

返回值：
标量训练损失（如果模型具有单个输出且没有度量）或标量列表（如果模型具有多个输出和/或度量）。 属性model.metrics_names将为您提供标量输出的显示标签。