3.1.4　训练网络

一旦网络结构编译完成，就可以进行模型训练了。这意味着在训练数据集上调整模型权重。训练网络需要指定训练数据，包括输入矩阵X和匹配输出数组y。使用反向传播算法训练网络，并根据编译模型时指定的优化算法和损失函数进行优化。

使用fit()函数进行训练，并将训练过程存储在history变量中。执行训练的程序代码如下：

> history <- model %>% fit(
+   x = x_train_scale,
+   y = y_train,
+   validation_split = 0.1,
+   epochs = 10,
+   batch_size = 32,
+   verbose = 2)

其参数描述如下。

• x：输入数据，如果模型只有一个输入，那么x的类型是数组；如果模型有多个输入，那么x的类型应当为list，list的元素对应用于各个输入的数组。
• y：标签。
• validation_split：0～1之间的浮点数，用来指定训练集中作为验证集的数据比例。验证集不参与训练，并在每个训练周期结束后测试模型的指标，如损失函数、准确率等。本例中该参数的值为0.1，而训练集的全部数据是1048，所以1048×0.9=943项作为训练数据，1048×0.1=105项作为验证数据。
• epochs：整数，训练周期数，每个训练周期会把训练集轮一遍，这里执行10个训练周期。
• batch_size：整数，指定进行梯度下降时每个批次包含的样本数。训练1个批次的样本会被计算1次梯度下降，使目标函数优化一步。此处设置为32。
• 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为每个训练周期输出一行记录。此处设置为2，可以减少每个训练周期显示的信息量。

以上代码执行后的结果如图3-4所示。

图3-4　训练网络每个训练周期显示的信息量

从以上执行结果可知，训练样本数量为943，验证样本数量为105，每个训练周期会返回训练数据和验证数据的计算误差与准确率。这里共执行了10个训练周期，并且误差越来越小，准确率越来越高。

之前的训练步骤会将每一个训练周期的误差与准确率记录在history变量中。我们使用plot()函数以图形显示训练过程，如图3-5所示。

> plot(history)

图3-5　绘制每个训练周期的评估结果