【轉(zhuǎn)載并參考】model.fit() fit函數(shù)_a1111h的博客-CSDN博客 https://blog.csdn.net/a1111h/article/details/82148497

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：輸入數(shù)據(jù)。如果模型只有一個輸入，那么x的類型是numpy
  array，如果模型有多個輸入，那么x的類型應(yīng)當(dāng)為list，list的元素是對應(yīng)于各個輸入的numpy array
• y ：標(biāo)簽，numpy array
• batch_size ：批處理尺寸。整數(shù)，指定進(jìn)行梯度下降時每個batch包含的樣本數(shù)。訓(xùn)練時一個batch的樣本會被計算一次梯度下降，使目標(biāo)函數(shù)優(yōu)化一步。
• epochs：迭代的代數(shù)。整數(shù)，訓(xùn)練終止時的epoch值，訓(xùn)練將在達(dá)到該epoch值時停止，當(dāng)沒有設(shè)置initial_epoch時，它就是訓(xùn)練的總輪數(shù)，**否則訓(xùn)練的總輪數(shù)為epochs - inital_epoch
• verbose：日志顯示，0為不在標(biāo)準(zhǔn)輸出流輸出日志信息，1為輸出進(jìn)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(diào)函數(shù)將會在訓(xùn)練過程中的適當(dāng)時機(jī)被調(diào)用，參考回調(diào)函數(shù)
• validation_split：驗證集比率。 0~1之間的浮點數(shù)，用來 指定訓(xùn)練集的一定比例數(shù)據(jù)作為驗證集。驗證集將不參與訓(xùn)練，并在每個epoch結(jié)束后測試的模型的指標(biāo)，如損失函數(shù)、精確度等。注意，validation_split的劃分在shuffle之前，因此如果你的數(shù)據(jù)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(xiàn)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(shù)將覆蓋validation_spilt。
• shuffle：布爾值或字符串，一般為布爾值，表示是否在訓(xùn)練過程中隨機(jī)打亂輸入樣本的順序。若為字符串“batch”，則是用來處理HDF5數(shù)據(jù)的特殊情況，它將在batch內(nèi)部將數(shù)據(jù)打亂。
• class_weight：字典，將不同的類別映射為不同的權(quán)值，該參數(shù)用來在訓(xùn)練過程中調(diào)整損失函數(shù)（只能用于訓(xùn)練）
• sample_weight：權(quán)值的numpy array，用于在訓(xùn)練時調(diào)整損失函數(shù)（僅用于訓(xùn)練）。可以傳遞一個1D的與樣本等長的向量用于對樣本進(jìn)行1對1的加權(quán)，或者在面對時序數(shù)據(jù)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(quán)。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(shù)指定的epoch開始訓(xùn)練，在繼續(xù)之前的訓(xùn)練時有用。

fit函數(shù)返回一個History的對象，其History.history屬性記錄了損失函數(shù)和其他指標(biāo)的數(shù)值隨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(biāo)變化情況

總結(jié)

以上是生活随笔為你收集整理的【tensorflow】model.fit() fit函数的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。