既然您已经使用Keras API构建了模型，本章将讲解训练模型并评估其性能的重要步骤。首先，我们将通过model.compile()配置学习过程，您将选择合适的损失函数 (loss function)（如回归任务的均方误差 $MSE$ 或分类任务的交叉熵），选择指导学习的优化器（如Adam或$SGD$），并定义用于观察进度的指标（如准确率）。

接着，您将学习如何使用model.fit()将数据喂入模型并执行训练循环，理解批次（epochs）和批处理大小（batch size）等参数 (parameter)。随后，我们将介绍使用model.evaluate()评估训练好的模型在测试数据上的效果，并使用model.predict()对新输入生成预测。最后，我们将介绍Keras回调函数，包括用于保存训练进度的ModelCheckpoint，用于防止过拟合 (overfitting)的EarlyStopping，以及整合TensorBoard以展示训练指标和模型图。本章最后将通过结合这些技术的实践练习进行总结。