接續之前的內容，今天要來訓練昨天搭建好的模型，將圖跟標籤送進去，我們從訓練集裡分出0.1即10%的資料當作驗證集，之後會討論到為何使用驗證集，參與訓練的圖片剩餘54000張，每32張就更新一次，稱作一輪，跑完20輪，我們會對隨機的初始權重進行54000/32X20=33760次的更新。

這裡使用小批量梯度下降，可以加速收斂，每讀取32張圖片就更新一次權重，我們使用的方法折衷兼顧了速度跟穩定，讀完所有圖片才更新一次權重，需要花相當多的時間跑非常多輪，也不建議讀取一張圖片就更新一次權重，只參考一張圖片就更新不穩定，容易受到極端值的影響，且更花時間，僅跑一輪我們就得把50240個權重更新54000次。

model.fit(
  x = x_train,
  y = y_train,
  batch_size = 32,
  epochs = 20,
  validation_split = 0.1,
  verbose = 2
)

訓練經過一定的輪數後，你可能會發現訓練集的loss跟accuracy在上下跳動，參照資料的預處理篇看到的圖，模型並不會比筆直朝低處去，也不會在低處停下，而是圍繞的低點打轉，把批大小從32改成圖片集的數量54000，你便可以看到數值穩定下降，但是你必須把epochs改得相當大，這也驗證了前面所說的內容。

訓練完成之後可以先保存模型，之後有需要用的時候就可以直接載入。

model.save('mnist_model.h5')

接著查看模型在測試集上的表現。

score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])