Keras/TensorFlow 中 `fit()` 方法参数详细说明

Keras/TensorFlow 中 fit() 方法参数详细说明

Keras/TensorFlow 中的 fit() 方法是训练神经网络的核心API，提供了丰富的参数来控制训练过程。以下是所有参数的详细说明：

一、基础参数

1. x/y

• 作用：输入数据和目标数据
• 类型：
  • NumPy数组
  • TensorFlow张量
  • 字典(用于具名输入)
  • tf.data数据集
• 示例：

  model.fit(x=train_images, y=train_labels)
  

2. batch_size

• 作用：每个梯度更新的样本数
• 类型：整数或None
• 默认值：32
• 注意：
  • 如果使用数据集对象并且指定了steps_per_epoch，则不需要设置
  • 典型值：16/32/64/128/256

3. epochs

• 作用：训练轮次数
• 类型：整数
• 默认值：1
• 示例：

  model.fit(..., epochs=50)
  

4. verbose

• 作用：控制训练过程输出的详细程度
• 类型：整数
• 可选值：
  • 0：静默模式
  • 1：进度条(默认)
  • 2：每个epoch一行输出

二、验证相关参数

5. validation_split

• 作用：从训练数据中分出部分作为验证集的比例
• 类型：0-1之间的浮点数
• 默认值：0.0(不使用)
• 示例：

  model.fit(..., validation_split=0.2)  # 使用20%数据作为验证集
  

6. validation_data

• 作用：手动指定验证数据集
• 类型：与x/y相同的格式
• 优先级：高于validation_split
• 示例：

  model.fit(..., validation_data=(val_images, val_labels))
  

7. validation_freq

• 作用：指定每隔多少epoch进行一次验证
• 类型：整数或列表
• 默认值：1(每个epoch都验证)
• 示例：

  model.fit(..., validation_freq=3)  # 每3个epoch验证一次
  

三、数据相关参数

8. shuffle

• 作用：是否在每个epoch前打乱数据
• 类型：布尔值
• 默认值：True
• 注意：使用tf.data数据集时优先使用数据集自身的shuffle操作

9. class_weight

• 作用：为不同类别分配权重(用于不平衡数据集)
• 类型：字典
• 示例：

  model.fit(..., class_weight={0: 1., 1: 0.5})  # 类别1的权重是类别0的一半
  

10. sample_weight

• 作用：为每个样本分配权重
• 类型：NumPy数组
• 示例：

  weights = np.array([1.0, 1.5])  # 第二个样本权重更大
  model.fit(..., sample_weight=weights)
  

11. initial_epoch

• 作用：从指定epoch开始训练(用于恢复训练)
• 类型：整数
• 默认值：0
• 示例：

  model.fit(..., initial_epoch=10)  # 从第10个epoch开始
  

四、回调与控制参数

12. callbacks

• 作用：训练过程中执行的回调函数列表
• 类型：列表
• 常见回调：
  • EarlyStopping - 早停
  • ModelCheckpoint - 保存模型
  • TensorBoard - 可视化
  • LearningRateScheduler - 学习率调整
• 示例：

  callbacks = [
      tf.keras.callbacks.EarlyStopping(patience=3),
      tf.keras.callbacks.ModelCheckpoint('model.h5')
  ]
  model.fit(..., callbacks=callbacks)
  

五、高级参数

13. steps_per_epoch

• 作用：每个epoch执行的batch步数
• 类型：整数
• 默认值：None(自动计算：样本数/batch_size)
• 适用场景：
  • 使用无限数据集时必需指定
  • 部分数据集训练

14. validation_steps

• 作用：验证时使用的batch步数
• 类型：整数
• 适用场景：
  • 验证数据为无限数据集时必需指定

15. max_queue_size

• 作用：生成器队列的最大大小
• 类型：整数
• 默认值：10
• 适用场景：使用Python生成器作为输入时

16. workers

• 作用：生成器预处理的最大进程数
• 类型：整数
• 默认值：1

17. use_multiprocessing

• 作用：是否使用多进程处理数据
• 类型：布尔值
• 默认值：False
• 注意：设置True可能导致性能下降

六、实际使用示例

# 完整参数示例
history = model.fit(
    x=train_images,
    y=train_labels,
    batch_size=64,
    epochs=100,
    verbose=1,
    callbacks=[
        tf.keras.callbacks.EarlyStopping(patience=5),
        tf.keras.callbacks.ReduceLROnPlateau(factor=0.1, patience=3)
    ],
    validation_data=(val_images, val_labels),
    validation_freq=2,
    shuffle=True,
    class_weight={0: 1.0, 1: 2.0},  # 假设类别1更重要
    initial_epoch=0,
    steps_per_epoch=None,
    validation_steps=None,
    max_queue_size=10,
    workers=4,
    use_multiprocessing=False
)

七、返回值

fit() 方法返回 History 对象，包含：

• history.history：字典，包含训练过程中的loss和metrics记录
• history.epoch：完成的epoch列表
• history.params：训练参数
• history.model：对应的模型对象

# 使用训练历史
plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
plt.title('Model Accuracy')
plt.ylabel('Accuracy')
plt.xlabel('Epoch')
plt.legend(['Train', 'Val'], loc='upper left')
plt.show()