train the model model.fit 模型训练
#train the model
history = model.fit(x_train, y_train,
batch_size=32,
epochs=100,
validation_split=0.1,
shuffle=True,
class_weight=class_weights,
callbacks=[es])
model.fit( 训练集的输入特征，
训练集的标签，
batch_size, #每一个batch的大小
epochs, #迭代次数
validation_data = (测试集的输入特征，测试集的标签），
validation_split = 从测试集中划分多少比例给验证数据，
validation_freq = 测试的epoch间隔数）
https://blog.csdn.net/yunfeather/article/details/106463327
model.fit( ) ：
将训练数据在模型中训练一定次数，返回loss和测量指标
model.fit(x, y, batch_size, epochs, verbose, validation_split, validation_data, validation_freq)
model.fit( ) 参数:
| x | 输入特征 |
| y | 输出标签（或回归） |
| batch_size | 每一个batch的大小（批尺寸），即训练一次网络所用的样本数 |
| epochs | 迭代次数，即全部样本数据将被“轮”多少次，轮完训练停止 |
| verbose |
0:不输出信息；1:显示进度条(一般默认为1)；2:每个epoch输出一行记录； |
| validation_split | (0,1)的浮点数，分割数据当验证数据，其它当训练数据 |
| validation_data | 指定验证数据，该数据将覆盖validation_spilt设定的数据 |
| validation_freq | 指定验证数据的epoch |
| callback |
在每个training/epoch/batch结束时，可以通过回调函数Callbacks查看一些内部信息。常用的callback有EarlyStopping，当监视的变量停止改善时，停止训练，防止模型过拟合，其默认参数如下： |
callback=callbacks.EarlyStopping(monitor='loss',min_delta=0.002,patience=0,mode='auto',restore_best_weights=False)
- monitor：监视量，一般是loss。
- min_delta：监视量改变的最小值，如果监视量的改变绝对值比min_delta小，这次就不算监视量改善，具体是增大还是减小看mode
- patience：如发现监视量loss相比上一个epoch训练没有下降，则经过patience个epoch后停止训练
- mode：在min模式训练，如果监视量停止下降则终止训练；在max模式下，如果监视量停止上升则停止训练。监视量使用acc时就要用max，使用loss时就要用min。
- restore_best_weights：是否把模型权重设为训练效果最好的epoch。如果为False，最终模型权重是最后一次训练的权重
model.fit( )返回值
model.fit( )函数返回一个History的对象，即记录了loss和其他指标的数值随epoch变化的情况。
shuffle
鸢尾花数据：
- x：输入数据Input data；
- y：标签；
- batch_size：整数，梯度下降时每个batch的样本数。训练时一个batch的样本会被计算一次梯度下降，使目标函数优化一步；
- epochs：整数，训练步数；
- verbose：日志显示，0为不在标准输出流输出日志信息，1为输出进度条记录，2为每个epoch输出一行记录；
- callbacks：回调函数；
- validation_split：0~1之间，将训练集的一定比例数据作为验证集。验证集将不参与训练，并在每个epoch结束后测试模型的精度。注意，validation_split的划分在shuffle之前，因此如果你的数据本身是有序的，需要先手工打乱再指定validation_split，否则可能会出现验证集样本不均匀；
- validation_data：指定的验证集。此参数将覆盖validation_spilt；
- shuffle：布尔值或字符串，一般为布尔值，表示是否在训练过程中随机打乱输入样本的顺序。若为字符串“batch”，则是用来处理HDF5数据的特殊情况，它将在batch内部将数据打乱。
- class_weight：将不同的类别映射为不同的权值，该参数用来在训练过程中调整损失函数（只能用于训练）
sample_weight：权值的numpy array，用于在训练时调整损失函数（仅用于训练）。可以传递一个1D的与样本等长的向量用于对样本进行1对1的加权，或者在面对时序数据时，传递一个的形式为samples，sequence_length）的矩阵来为每个时间步上的样本赋不同的权。这种情况下请确定在编译模型时添加了sample_weight_mode=’temporal’。 - initial_epoch: 从该参数指定的epoch开始训练，在继续之前的训练时有用。
- steps_per_epoch：指定每个epoch所使用的迭代次数，默认每次用尽数据集
REF
https://blog.csdn.net/Fwuyi/article/details/123214588
https://blog.csdn.net/xiaofeixia002X/article/details/128482822
