Keras.Sequential.fit()

目錄

• Sequential.fit()
  • 語法syntax
  • 參數說明
  • 返回
  • 異常
• 參考

Sequential.fit()

語法syntax

fit(x=None, y=None, 
    batch_size=None,
    epochs=1,
    verbose=1,
    callbacks=None, 
    validation_split=0.0, validation_data=None, 
    shuffle=True, 
    class_weight=None, sample_weight=None, 
    initial_epoch=0, 
    steps_per_epoch=None,
    validation_steps=None)

參數說明

• x: 訓練數據的 Numpy 數組。 若是模型中的輸入層被命名，你也能夠傳遞一個字典，將輸入層名稱映射到 Numpy 數組。 若是從本地框架張量饋送（例如 TensorFlow 數據張量）數據，x 能夠是 None（默認）。
• y: 目標（標籤）數據的 Numpy 數組。 若是模型中的輸出層被命名，你也能夠傳遞一個字典，將輸出層名稱映射到 Numpy 數組。 若是從本地框架張量饋送（例如 TensorFlow 數據張量）數據，y 能夠是 None（默認）。
• batch_size: 整數或 None。每次提度更新的樣本數。若是未指定，默認爲 32.
• epochs: 整數。訓練模型迭代輪次。一個輪次是在整個 x 或 y 上的一輪迭代。請注意，與 initial_epoch 一塊兒，epochs 被理解爲 「最終輪次」。模型並非訓練了 epochs 輪，而是到第 epochs 輪中止訓練。
• verbose: 0, 1 或 2。日誌顯示模式。 0 = 安靜模式, 1 = 進度條, 2 = 每輪一行。
• callbacks: 一系列的 keras.callbacks.Callback 實例。一系列能夠在訓練時使用的回調函數。詳見 callbacks。
• validation_split: 在 0 和 1 之間浮動。用做驗證集的訓練數據的比例。模型將分出一部分不會被訓練的驗證數據，並將在每一輪結束時評估這些驗證數據的偏差和任何其餘模型指標。驗證數據是混洗以前 x 和y 數據的最後一部分樣本中。
• validation_data: 元組 (x_val，y_val) 或元組 (x_val，y_val，val_sample_weights)，用來評估損失，以及在每輪結束時的任何模型度量指標。模型將不會在這個數據上進行訓練。這個參數會覆蓋 validation_split。
• shuffle: 布爾值（是否在每輪迭代以前混洗數據）或者 字符串 (batch)。batch 是處理 HDF5 數據限制的特殊選項，它對一個 batch 內部的數據進行混洗。當 steps_per_epoch 非 None 時，這個參數無效。
• class_weight: 可選的字典，用來映射類索引（整數）到權重（浮點）值，用於加權損失函數（僅在訓練期間）。這可能有助於告訴模型 「更多關注」來自表明性不足的類的樣本。
• sample_weight: 訓練樣本的可選 Numpy 權重數組，用於對損失函數進行加權（僅在訓練期間）。您能夠傳遞與輸入樣本長度相同的平坦（1D）Numpy 數組（權重和樣本之間的 1：1 映射），或者在時序數據的狀況下，能夠傳遞尺寸爲 (samples, sequence_length) 的 2D 數組，以對每一個樣本的每一個時間步施加不一樣的權重。在這種狀況下，你應該確保在 compile() 中指定 sample_weight_mode="temporal"。
• initial_epoch: 開始訓練的輪次（有助於恢復以前的訓練）。
• steps_per_epoch: 在聲明一個輪次完成並開始下一個輪次以前的總步數（樣品批次）。使用 TensorFlow 數據張量等輸入張量進行訓練時，默認值 None 等於數據集中樣本的數量除以 batch 的大小，若是沒法肯定，則爲 1。
• validation_steps: 只有在指定了 steps_per_epoch時纔有用。中止前要驗證的總步數（批次樣本）。

返回

一個 History 對象。其 History.history 屬性是連續 epoch 訓練損失和評估值，以及驗證集損失和評估值的記錄（若是適用）。

異常

• RuntimeError: 若是模型從未編譯。
• ValueError: 在提供的輸入數據與模型指望的不匹配的狀況下。

參考

[官方文檔]https://keras.io/zh/models/sequential/