14 Keras框架从零教程：训练模型

查看大图

训练不是只调用 fit。数据切分、批大小、轮数和验证集设置，都会影响你看到的曲线和最终判断。

查看大图

我会同时看训练和验证曲线。训练变好但验证变差，优先查过拟合、数据泄露和学习率。

在上一篇中，我们探讨了如何通过compile方法来为模型编译优化器、损失函数和指标。现在，我们将继续深入，学习如何训练模型，具体来说就是如何使用fit方法进行模型训练。

训练模型的准备

在开始训练模型之前，我们需要确保以下几项已经完成：

查看大图

训练 Keras 模型时，先看数据批次、模型编译、fit 参数、验证集、指标曲线和过拟合迹象。

1. 模型已创建并编译：您需要创建一个Keras模型，并使用compile方法定义优化器、损失函数和评价指标。
2. 数据集已准备好：我们需要准备好输入数据 X 和目标输出数据 y。

下面是一个简单的例子，展示了如何创建一个模型并进行编译。

import keras
from keras.models import Sequential
from keras.layers import Dense
import numpy as np

# 创建一个简单的神经网络模型
model = Sequential()
model.add(Dense(64, activation='relu', input_shape=(10,)))  # 输入层
model.add(Dense(1, activation='sigmoid'))                    # 输出层

# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

接下来，我们需要准备数据。假设我们有一组特征数据 X 和对应的标签 y。

X = np.random.rand(1000, 10)  # 1000个样本，每个样本10个特征
y = np.random.randint(2, size=(1000, 1))  # 1000个样本的二元标签

使用fit方法训练模型

一旦我们有了数据和编译好的模型，我们就可以使用fit方法进行训练了。fit方法的基本语法如下：

查看大图

学习《Keras框架从零教程：训练模型》不必一口气吃完所有细节。先挑一个能动手验证的小问题，再顺着图和正文补齐概念。

model.fit(x, y, epochs=1, batch_size=None, verbose=1, validation_split=0.0, callbacks=None, ...)

• x：训练数据。
• y：目标输出数据。
• epochs：训练的轮次，默认值为1。
• batch_size：每个批次的样本数量，默认值为32。
• verbose：训练日志显示模式，0为安静，1为进度条，2为每个epoch一行。
• validation_split：用于验证的比例，将一部分训练数据分离出来用于验证。

下面是用fit方法训练模型的例子：

# 训练模型
model.fit(X, y, epochs=10, batch_size=32, verbose=1, validation_split=0.2)

在这个例子中，我们将训练模型的轮次设置为10，每个批次为32个样本，并将20%的数据用于验证。

训练过程中的监控

在调用fit方法时，Keras会自动在每个epoch结束时评估模型在训练集和验证集上的损失和准确率。这样，您就能在训练过程中监控模型的表现。

使用回调函数

在训练过程中，您可能希望在特定条件下保存模型或调整学习率。Keras提供了回调函数 callbacks，允许您在训练过程中扩展模型的功能。

from keras.callbacks import EarlyStopping, ModelCheckpoint

# 提前停止的回调函数
early_stopping = EarlyStopping(monitor='val_loss', patience=3)

# 模型检查点回调函数
model_checkpoint = ModelCheckpoint('best_model.h5', save_best_only=True)

# 训练模型，并应用回调函数
model.fit(X, y, epochs=50, batch_size=32, verbose=1, validation_split=0.2, 
          callbacks=[early_stopping, model_checkpoint])

在这个例子中，EarlyStopping回调会监控验证损失，如果在3个连续epoch内没有改善，就会提前停止训练。同时，ModelCheckpoint会保存验证损失最小的模型，以便后续加载和使用。

训练完成后的步骤

训练完成后，您可以使用evaluate方法测试模型的性能，并使用predict方法进行预测。例如：

# 评估模型性能
loss, accuracy = model.evaluate(X, y)
print(f'Loss: {loss}, Accuracy: {accuracy}')

# 进行预测
predictions = model.predict(X)

您可以把这些步骤整合到您的工作流程中，以确保您的模型训练、评估和使用均高效有序。

查看大图

学完《Keras框架从零教程：训练模型》后，不妨换一个自己的场景试一次，重点观察输入、处理和输出是否能对应起来。

查看大图

如果想把《Keras框架从零教程：训练模型》用到自己的任务里，可以先缩小场景，只验证一个最关键的判断点。

小结

在本篇中，我们探讨了如何使用Keras中的fit方法来训练模型，监控训练过程，并利用回调函数增强训练过程的功能。这为后续的模型使用和调优打下了良好的基础。

在下一篇中，我们将重点讨论如何在Keras中使用fit方法的高级功能，以提高模型的训练效果和效率。希望能够继续与您一起深入探讨Keras框架的奥秘！