Keras模型在输入数据和标签的Numpy矩阵上进行训练。为了训练一个模型，你通常会使用fit函数。文档详见此处。

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)

本函数将模型训练nb_epoch轮，其参数有：

x：输入数据，如果模型只有一个输入，那么x的类型是numpyarray，如果模型有多个输入，那么x的类型应当是list，list的元素是对应于各个输入的numpyarray

y：标签，numpyarray

batch_size：整数，指定进行梯度下降时每个batch包含的样本数，训练时一个batch的样本会被计算一次梯度下降，使目标函数优化一步。

epochs：整数，训练的轮数，每个epoch会把训练集轮一遍。

verbose：日志显示，0为不在标准输出流输出日志信息，1为输出进度条记录，2为每个epoch输出一行记录

callbacks：list,，其中的元素是keras.callbacks.Callback的对象。这个list中的回调函数将会在训练过程中的适当时机被调用，参考回调函数。

validation_split：0~1之间的浮点数，用来指定训练集的一定比例数据作为验证集。验证集将不参与训练，并在每个epoch结束后测试的模型的指标，如损失函数，精确度等。注意，validation_split的划分在shuffle之前，因此如果你的数据本身是有序的，需要先手工打乱再指定validation_split，否则可能会出现验证集样本不均匀。

validation_data：形式为(X，y)的tuple，是指定的验证集，此参数将覆盖validation_spilt。

shuffle：布尔值或者字符串，一般为布尔值，表示是否在训练过程中随机打乱输入样本的顺序。若为字符串“batch”，则用来处理HDF5数据大特殊情况，它将在batch内部将数据打乱。

class_weight：字典，将不同的类别映射为不同的权重，该参数用来训练过程中调整损失函数(只能用于训练)

sample_weight：权值的numpyarray，用于在训练时调整损失(仅用于训练)。

可以传递一个1D的与样本等长的向量用于对样本进行1对1的加权，或者在面对时序数据时，传递一个的形式为(samples，sequence_length)的矩阵来为每个时间步上的样本赋不同的权。这种情况下请确定在编译模型时添加了sample_weight_mode=‘temporal’。

initial_epoch：从该参数指定的epoch开始训练，在继续之前的训练时候有用。

fit函数返回一个History的对象，其History.history属性记录了损失函数和其他指标的数值随着epoch变化的情况，如果有验证集的话，也包含了验证集的这些指标变化情况。

以上内容为大家介绍了python的keras训练，希望对大家有所帮助，如果想要了解更多Python相关知识，请关注IT培训机构:千锋教育。

上一篇

Python 类方法与静态方法说明

下一篇

Python 机器学习之sklearn库