执行训练过程

自编码器模型在定义并配置了优化器和损失函数之后，现在已准备好进入训练阶段。训练是自编码器学习执行其任务的阶段，即尽可能准确地重构输入数据。这种学习是通过根据模型产生的重构误差，迭代调整模型内部参数（权重）来实现的。在 Keras 中，主要工具是 fit 方法。

使用 model.fit() 启动训练

fit 方法是你指示 Keras 模型从数据中学习的主要界面。你将提供训练数据，指定一些训练参数，Keras 将处理迭代和权重调整的复杂底层过程。

下面是调用 model.fit() 来训练自编码器的一种常见方式：

# 假设 'autoencoder' 是你已编译的 Keras 模型
# 'x_train_processed' 是你预处理过的训练数据
# 'x_val_processed' 是你预处理过的验证数据（未直接用于训练的数据子集）

# 定义一些训练设置
num_epochs = 50           # 遍历整个训练数据集的次数
batch_size_val = 128      # 在更新模型权重之前处理的样本数量

# 让我们来训练模型！
history = autoencoder.fit(
    x_train_processed,    # 训练的输入数据
    x_train_processed,    # 目标数据：对于自编码器，这与输入相同
    epochs=num_epochs,
    batch_size=batch_size_val,
    shuffle=True,         # 在每个 epoch 开始时打乱训练数据是良好的做法
    validation_data=(x_val_processed, x_val_processed) # 在每个 epoch 结束时用于评估损失的数据
)

这些参数的含义是：

• 第一个参数（x_train_processed）： 这是你的输入训练数据。自编码器会接收这些数据，通过编码器获得压缩表示，然后通过解码器尝试重构它。
• 第二个参数（x_train_processed）： 这是目标数据。由于自编码器的目标是重构其输入，输入数据本身就作为期望的输出。
• epochs: 一个epoch表示对整个训练数据集的一次完整遍历。训练多个 epoch 使模型能够反复查看数据并调整其权重。
• batch_size: 将数据分成更小的段，称为批次（batches）。batch_size 定义了每个批次中的样本数量。
• shuffle: 指示 Keras 在每个 epoch 开始前打乱训练样本的顺序，有助于防止模型学习到与数据呈现顺序相关的模式。
• validation_data: 验证数据，模型不在此上训练。用于监控模型对训练期间未见过的数据的泛化能力。

fit 过程中发生了什么？

当你调用 model.fit() 时，Keras 会启动并管理学习循环。对于每个 epoch，以及该 epoch 内的每个批次：

1. 前向传播：输入数据流经编码器网络，被压缩成瓶颈表示，然后流经解码器网络以生成重构输出。
2. 损失函数：计算重构输出与原始输入批次之间的差异，即“重构误差”。
3. 优化器：使用此误差值来调整模型的内部权重。
4. 这个循环在当前 epoch 的所有批次中重复进行，然后进入下一个 epoch，直到所有指定的 epoch 完成。

使用 History 对象监控训练

model.fit() 方法会返回一个 History 对象，它记录了训练过程中发生的一切，特别是每个 epoch 结束时的损失值（和任何其他指标）。你可以从 history.history 属性中访问这些信息：

# 'history' 是 autoencoder.fit() 返回的对象

training_loss_values = history.history['loss']
validation_loss_values = history.history['val_loss']

# 让我们打印第一个和最后一个 epoch 后的损失
print(f"第一个 epoch 后训练数据的损失: {training_loss_values[0]:.4f}")
print(f"第一个 epoch 后验证数据的损失: {validation_loss_values[0]:.4f}")
print(f"最后一个 epoch 后训练数据的损失: {training_loss_values[-1]:.4f}")
print(f"最后一个 epoch 后验证数据的损失: {validation_loss_values[-1]:.4f}")

可视化训练进程

绘制训练和验证损失随 epoch 变化的图表是评估训练进程的常用方法。

解释损失曲线：

• 一个好的迹象： 训练损失和验证损失都随 epoch 的增加而下降并趋于稳定。验证损失通常会略高于训练损失，这表明模型正在学习和泛化。
• 过拟合： 训练损失持续下降，但验证损失趋于平坦或开始上升。这表明模型在训练数据上表现良好，但无法泛化到新数据。
• 欠拟合： 训练和验证损失都保持较高水平，或下降非常缓慢，这可能表示模型过于简单或训练不足。

一旦 model.fit() 完成，你的 autoencoder 模型的权重就通过学习过程得到了更新。它现在已经学会了如何将输入数据压缩到瓶颈层然后进行重构。下一步是评估它学习这项任务的成效。