На этом шаге мы рассмотрим назначение и особенности использования этого метода.

    За вызовом compile() следует вызов fit(). Метод fit() реализует собственно цикл обучения. Вот его основные аргументы:

• данные для обучения (исходные данные и целевые значения). Обычно передаются в виде массивов NumPy или объекта Dataset из библиотеки TensorFlow;

• количество эпох обучения: сколько раз должен повториться цикл обучения на переданных данных;

• размер пакета для использования в каждой эпохе обучения методом градиентного спуска: количество обучающих образцов, учитываемых при вычислении градиентов в одном шаге обновления весов.

history = model.fit( 
    inputs,         #  Исходные образцы в виде массива NumPy
    targets,        #  Цели обучения в виде массива NumPy   
    epochs=5,       #  Цикл обучения выполнит пять итераций по данным
    batch_size=128  #  В итерациях цикла обучения исходные данные будут обрабатываться 
                    #  пакетами по 128 образцов
)

    Вызов fit() возвращает объект History с полем history - словарем, ключами которого служат имена метрик или строки (такие как "loss"), а значениями - списки значений соответствующих метрик, полученных в разные эпохи

>>> history.history
{"binary_accuracy": [0.855, 0.9565, 0.9555, 0.95, 0.951],
"loss": [0.6573270302042366,
         0.07434618508815766,
         0.07687718723714351,
         0.07412414988875389,
         0.07617757616937161]}

    На следующем шаге мы рассмотрим оценку потерь и метрик на проверочных данных.

Предыдущий шаг Содержание Следующий шаг