train the model model.fit-526互联

#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训练集，
                 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
y	输出
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