fit( 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)- x: datos de entrada. Si el modelo tiene solo una entrada, entonces el tipo de x es una
matriz numerosa , si el modelo tiene múltiples entradas, entonces el tipo de x debe ser una lista, y los elementos de la lista son matrices numeradas correspondientes a cada entrada - y: etiqueta, matriz numpy
- batch_size: entero, especifica el número de muestras contenidas en cada lote durante el descenso del gradiente. Durante el entrenamiento, un lote de muestras se calculará un descenso de gradiente, de modo que la función objetivo se optimice en un paso.
- epochs: número entero, el valor de época cuando se termina el entrenamiento. El entrenamiento se detendrá cuando se alcance el valor de época. Cuando no se establece initial_epoch, es el número total de rondas de entrenamiento; de lo contrario, el número total de rondas de entrenamiento es epochs-inital_epoch
- detallado: visualización del registro, 0 significa que no se muestra la información del registro en el flujo de salida estándar, 1 significa que se muestra el registro de la barra de progreso, 2 significa que se genera un registro de línea para cada época
- callbacks: lista, cuyos elementos son objetos de keras.callbacks.Callback. La función de devolución de llamada en esta lista se llamará en el momento apropiado durante el proceso de entrenamiento, consulte la función de devolución de llamada
- validation_split: un número de punto flotante entre 0 y 1, que se utiliza para especificar un cierto porcentaje del conjunto de entrenamiento como conjunto de validación. El conjunto de validación no participará en el entrenamiento, y los indicadores del modelo probados después de cada época, como función de pérdida, precisión, etc. Tenga en cuenta que validation_split se divide antes de barajar, por lo que si sus datos están en orden, debe barajarlos manualmente antes de especificar validation_split; de lo contrario, puede haber muestras de conjuntos de validación desiguales.
- validation_data: una tupla de la forma (X, y), que es el conjunto de validación especificado. Este parámetro anulará validation_spilt.
- shuffle: valor booleano o cadena, generalmente un valor booleano, que indica si se debe mezclar aleatoriamente el orden de las muestras de entrada durante el proceso de entrenamiento. Si es la cadena "lote", se utiliza para procesar el caso especial de datos HDF5 y codificará los datos dentro del lote.
-
class_weight: Diccionario, que asigna diferentes categorías a diferentes pesos. Este parámetro se usa para ajustar la función de pérdida durante el entrenamiento (solo para entrenamiento)
-
sample_weight:
conjunto numeroso de pesos , utilizado para ajustar la función de pérdida durante el entrenamiento (solo para entrenamiento). Puede pasar un vector 1D con la misma longitud que la muestra para ponderar las muestras de 1 a 1, o cuando se enfrenta a datos de series de tiempo, pasar una matriz en forma de (samples, sequence_length) para cada paso de tiempo. Las muestras se asignan de forma diferente pesos. En este caso, asegúrese de agregar sample_weight_mode = 'temporal' al compilar el modelo. - initial_epoch: inicia el entrenamiento desde la época especificada por este parámetro, que es útil cuando se continúa con el entrenamiento anterior.
La función fit devuelve un objeto History. Su propiedad History.history registra los cambios de la función de pérdida y otros indicadores con la época. Si hay un conjunto de validación, también contiene los cambios de estos indicadores en el conjunto de validación. Lo siguiente es realmente en el cuaderno de jupyter En curso. definición
metwork=Sequential([
layers.Dense....#省略
])
history=network.fit()
history.history#打印训练记录