训练循环：fit() 方法

神经网络 (neural network)的学习过程始于其架构的定义和编译，其中需指定优化器、损失函数 (loss function)和评估指标。模型训练在 Keras 中主要通过 fit() 方法完成，此方法巧妙地包含了从数据中学习的复杂迭代过程。

可以把 fit() 方法看作驱动模型训练的引擎。它接收训练数据，将其送入网络，计算误差（损失），使用反向传播 (backpropagation)和所选优化器计算如何调整内部参数 (parameter)（权重 (weight)和偏置 (bias)），并多次重复此过程。

调用 fit() 方法

其核心是，你在已编译的模型对象上调用 fit()，提供训练数据和对应的目标标签。基本语法如下：

# 假设 'model' 是你已编译的 Keras 模型
# 假设 'x_train' 包含你的训练特征（例如，图像、文本序列）
# 假设 'y_train' 包含你的训练标签（例如，图像类别、情感分数）

history = model.fit(x_train, y_train, epochs=10, batch_size=32)

让我们分解一下主要的参数 (parameter)：

1. x (或 x_train)：这是你的输入训练数据。它通常是 NumPy 数组或兼容格式（例如，当使用 Keras 3 搭配不同后端时，可以是 TensorFlow Dataset 或 PyTorch DataLoader）。此数据的形状必须与模型第一层中指定的输入形状一致。
2. y (或 y_train)：这些是与输入数据对应的目标标签。对于分类任务，它们可能是整数类索引或独热编码向量 (vector)。对于回归任务，它们将是连续值。格式必须与模型的输出层和所选损失函数 (loss function)对齐 (alignment)。
3. epochs：如前所述，一个 epoch 表示对整个训练数据集的一次完整遍历。epochs 参数告诉 fit() 对完整数据集迭代多少次。模型通常需要多个 epoch 才能有效学习。
4. batch_size：这决定了在一个 epoch 内，每次迭代（梯度更新步骤）中处理的样本数量。fit() 不会一次性处理整个数据集（那样计算开销大且内存密集），而是分批处理数据。模型的权重 (weight)在每个批次处理后更新。batch_size 为 32 意味着在更新权重之前，使用 32 个样本计算梯度。

fit() 内部发生了什么？

当你调用 model.fit() 时，Keras 会执行训练循环：

1. Epoch 迭代：外部循环按照指定的 epochs 数量进行迭代。
2. 批次迭代：在每个 epoch 内，Keras 根据 batch_size 将训练数据（x_train，y_train）分成多个批次。然后遍历这些批次。
3. 前向传播：对于每个批次，输入数据通过网络层进行前向传播以生成预测。
4. 损失计算：所选的损失函数 (loss function)（在 model.compile() 时指定）将批次的预测与真实目标标签（该批次的 y_train 部分）进行比较，并计算一个损失值，量化 (quantization)该批次中模型的误差。
5. 反向传播 (backpropagation)：计算损失相对于模型可训练参数 (parameter)（权重 (weight)和偏置 (bias)）的梯度。这包括通过网络向后传播误差。
6. 优化器步骤：所选的优化器（例如 Adam、SGD、RMSprop，同样在 compile() 时指定）使用计算出的梯度更新模型参数，目标是最小化损失。
7. 指标计算：处理完每个批次后（或者有时在每个 epoch 结束时），会对该 epoch 中目前为止的训练数据计算指定的评估指标（如准确率）。
8. 日志记录：Keras 会打印每个 epoch 的进度，通常显示训练数据的损失和评估指标。

使用验证数据

仅凭训练数据监测模型表现可能会有误导性，因为模型可能只是记住了训练样本（过拟合 (overfitting)）。为了更实际地评估模型对未见数据的泛化能力，你应该使用 validation_data 参数 (parameter)向 fit() 方法提供验证数据：

# 假设 'x_val' 和 'y_val' 是你的验证特征和标签
history = model.fit(x_train,
                    y_train,
                    epochs=10,
                    batch_size=32,
                    validation_data=(x_val, y_val))

当提供了 validation_data 时，Keras 会在每个 epoch 结束时执行一个附加步骤：

• 验证评估：模型会在提供的验证数据集（x_val，y_val）上评估其表现（计算损失和评估指标）。重要的一点是，模型不会从这些数据中学习；其参数不会根据验证结果进行更新。此评估纯粹用于监测泛化表现。

日志现在将包含验证损失（val_loss）和验证指标（例如，val_accuracy）。比较训练损失/指标与验证损失/指标对于诊断过拟合等问题非常有帮助。

History 对象

fit() 方法返回一个 History 对象。该对象作用类似于一个字典，包含每个 epoch 记录的损失和评估指标值，既有训练集的，也有验证集的（如果提供）。

print(history.history.keys())
# 输出可能类似：dict_keys(['loss', 'accuracy', 'val_loss', 'val_accuracy'])

# 获取每个 epoch 的训练损失值
training_loss = history.history['loss']

# 获取每个 epoch 的验证准确率值
validation_accuracy = history.history['val_accuracy']

这个 History 对象对于可视化训练过程非常有用。例如，你可以绘制训练和验证损失随 epoch 的变化图，以观察模型学习和泛化的情况。

训练损失（蓝色）通常会下降，而验证损失（橙色）最初会下降，但如果发生过拟合 (overfitting)，可能会开始趋于平稳或增加。

总之，fit() 方法是 Keras 中模型训练的核心操作。它自动化了前向传播、损失计算、反向传播 (backpropagation)和权重 (weight)更新的复杂循环，让你只需几行代码就能训练复杂的深度学习 (deep learning)模型，同时通过验证数据和返回的 History 对象，提供了监测性能的重要机制。