使用Keras的记录
我一般常用的是PyTorch，但是也会用Keras。这里记录一下Keras中的一些使用细节。
1.model对象有个fit方法，fit方法里的参数是这样的：
fit(x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None,
validation_split=0.0, validation_data=None, shuffle=True, class_weight=None,
sample_weight=None, initial_epoch=0, steps_per_epoch=None, validation_steps=None, validation_freq=1)
x：输入数据。如果模型只有一个输入，那么x的类型是numpy array，如果模型有多个输入，那么x的类型应当为list，list的元素是对应于各个输入的numpy array
y：标签，numpy array
batch_size：整数，指定进行梯度下降时每个batch包含的样本数。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，训练终止时的epoch值，训练将在达到该epoch值时停止，当没有设置initial_epoch时，它就是训练的总轮数，否则训练的总轮数为epochs 或 inital_epoch
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：list，其中的元素是keras.callbacks.Callback的对象。这个list中的回调函数将会在训练过程中的适当时机被调用，参考回调函数
validation_split：0~1之间的浮点数，用来指定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结束后测试的模型的指标，如损失函数、精确度等。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：形式为（X，y）的tuple，是指定的验证集。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：字典，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。
fit函数返回一个History的对象，其History.history属性记录了损失函数和其他指标的数值随epoch变化的情况，如果有验证集的话，也包含了验证集的这些指标变化情况。
这里主要指出的是shuffle参数和callbacks参数
1.shuffle: fit函数中的shuffle一般都设置为True，一般不管数据集是否有序，还要在fit之前手动shuffle一次；
2.callbacks: 以列表的形式传入回调函数，在keras.callbacks类中，一般我较为常用的是以下3个：
keras.callbacks.ModelCheckpoint(filepath, monitor='val_loss', verbose=0, save_best_only=False, save_weights_only=False, mode='auto', period=1)
filepath是保存的模型参数的位置，如果filepath是动态的话，就像这样："weights-improvement-{epoch:02d}-{val_acc:.2f}.hdf5"那么每个epoch，只要监测指标有所上升，就保存该模型；相反，如果仅仅想保存最想要的监测指标的模型的话，那么可以设置输出文件名更改为固定，"weights.best.hdf5"这样就会不断覆盖前面所出现的精度，这样就会只有一个保存最想要模型的参数。
model.load_weights("weights.best.hdf5")
加载之前保存的model。
keras.callbacks.EarlyStopping(monitor='val_loss', patience=0, verbose=0, mode='auto')
当监测值不再改善时，该回调函数将中止训练，中止训练时，model就是当前的model，这个model可直接用于evaluate或者predict。
下面是有关变学习率的几个回调函数：
from keras.callbacks import ReduceLROnPlateau
from keras.callbacks import LearningRateScheduler
......
这篇博客写的挺详细的：Keras回调函数
还有如何应对Keras每次得到的结果不一致的方法，我目前的方法是在开头第一个导入numpy，然后即可设置随机数种子，对于PyTorch，在多个需要设置随机数的地方设置相应的随机数种子。
Keras重复运行结果不一致的问题