Keras模型在輸入數據和標簽的Numpy矩陣上進行訓練。為了訓練一個模型，你通常會使用fit函數。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)

本函數將模型訓練nb_epoch輪，其參數有：

x：輸入數據，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的類型應當是list，list的元素是對應于各個輸入的numpyarray

y：標簽，numpyarray

batch_size：整數，指定進行梯度下降時每個batch包含的樣本數，訓練時一個batch的樣本會被計算一次梯度下降，使目標函數優化一步。

epochs：整數，訓練的輪數，每個epoch會把訓練集輪一遍。

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中的回調函數將會在訓練過程中的適當時機被調用，參考回調函數。

validation_split：0~1之間的浮點數，用來指定訓練集的一定比例數據作為驗證集。驗證集將不參與訓練，并在每個epoch結束后測試的模型的指標，如損失函數，精確度等。注意，validation_split的劃分在shuffle之前，因此如果你的數據本身是有序的，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數據大特殊情況，它將在batch內部將數據打亂。

class_weight：字典，將不同的類別映射為不同的權重，該參數用來訓練過程中調整損失函數(只能用于訓練)

sample_weight：權值的numpyarray，用于在訓練時調整損失(僅用于訓練)。

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，或者在面對時序數據時，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。這種情況下請確定在編譯模型時添加了sample_weight_mode=‘temporal’。

initial_epoch：從該參數指定的epoch開始訓練，在繼續之前的訓練時候有用。

fit函數返回一個History的對象，其History.history屬性記錄了損失函數和其他指標的數值隨著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。

以上內容為大家介紹了python的keras訓練，希望對大家有所幫助，如果想要了解更多Python相關知識，請關注IT培訓機構:千鋒教育。