https://github.com/topopensource/imagedector

https://github.com/topopensource/imagedector

Last synced: 10 months ago
JSON representation

• Host: GitHub
• URL: https://github.com/topopensource/imagedector
• Owner: TopOpenSource
• Created: 2020-11-09T08:46:51.000Z (over 5 years ago)
• Default Branch: master
• Last Pushed: 2020-11-09T11:02:07.000Z (over 5 years ago)
• Last Synced: 2025-05-15T08:16:38.561Z (about 1 year ago)
• Language: Python
• Size: 1.09 MB
• Stars: 0
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

          
# #fit参数详情

# keras.models.fit(

# self,

# x=None, #训练数据

# y=None, #训练数据label标签

# batch_size=None, #每经过多少个sample更新一次权重，defult 32

# epochs=1, #训练的轮数epochs

# verbose=1, #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=None,#list，list中的元素为keras.callbacks.Callback对象，在训练过程中会调用list中的回调函数

# validation_split=0., #浮点数0-1，将训练集中的一部分比例作为验证集，然后下面的验证集validation_data将不会起到作用

# validation_data=None, #验证集

# shuffle=True, #布尔值和字符串，如果为布尔值，表示是否在每一次epoch训练前随机打乱输入样本的顺序，如果为"batch"，为处理HDF5数据

# class_weight=None, #dict,分类问题的时候，有的类别可能需要额外关注，分错的时候给的惩罚会比较大，所以权重会调高，体现在损失函数上面

# sample_weight=None, #array,和输入样本对等长度,对输入的每个特征+个权值，如果是时序的数据，则采用(samples，sequence_length)的矩阵

# initial_epoch=0, #如果之前做了训练，则可以从指定的epoch开始训练

# steps_per_epoch=None, #将一个epoch分为多少个steps，也就是划分一个batch_size多大，比如steps_per_epoch=10，则就是将训练集分为10份，不能和batch_size共同使用

# validation_steps=None, #当steps_per_epoch被启用的时候才有用，验证集的batch_size

# **kwargs #用于和后端交互

# )