Метод fit класса Sequential

Метод fit класса Sequential запускает процесс обучения модели. Первым параметром передаются входные данные x, вторым - целевые значения y. Третьим параметром указывается число эпох epochs - сколько раз модель пройдёт по всему набору данных. Также можно задать размер батча batch_size, долю данных для валидации validation_split и другие настройки. Метод возвращает объект History с историей обучения.

Синтаксис

model.fit(x, y, [epochs], [batch_size], [validation_split], [verbose])

Пример

Давайте создадим простую модель и обучим её на данных 1, 2, 3, 4, 5 с целевыми значениями 2, 4, 6, 8, 10:

import tensorflow as tf

tf.random.set_seed(0)

model = tf.keras.Sequential([
	tf.keras.layers.Dense(1, input_shape=(1,))
])
model.compile(optimizer='sgd', loss='mse')

x = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0])
y = tf.constant([2.0, 4.0, 6.0, 8.0, 10.0])

history = model.fit(x, y, epochs=10, verbose=0)
print(history.history['loss'][-1])

Результат выполнения кода:

0.032178539

Пример

Давайте обучим модель с размером батча 2 и посмотрим итоговую ошибку:

import tensorflow as tf

tf.random.set_seed(0)

model = tf.keras.Sequential([
	tf.keras.layers.Dense(1, input_shape=(1,))
])
model.compile(optimizer='sgd', loss='mse')

x = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0])
y = tf.constant([2.0, 4.0, 6.0, 8.0, 10.0])

history = model.fit(x, y, epochs=20, batch_size=2, verbose=0)
print(history.history['loss'][-1])

Результат выполнения кода:

0.005412271

Пример

Давайте обучим модель с выделением части данных для валидации:

import tensorflow as tf

tf.random.set_seed(0)

model = tf.keras.Sequential([
	tf.keras.layers.Dense(1, input_shape=(1,))
])
model.compile(optimizer='sgd', loss='mse')

x = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0])
y = tf.constant([2.0, 4.0, 6.0, 8.0, 10.0])

history = model.fit(x, y, epochs=10, validation_split=0.2, verbose=0)
print(history.history['loss'][-1])

Результат выполнения кода:

0.037845086

Смотрите также

класс Sequential,
который представляет линейный стек слоёв
метод compile,
который настраивает модель для обучения
метод predict,
который выполняет предсказание на новых данных
метод summary,
который выводит структуру модели