接續昨天的內容，我們已經建立好深度學習的多層感知器模型，接下來就要準備利用反向傳播演算法進行訓練。反向傳播演算法（Back Propagation）在先前第8篇已有稍微介紹過了，這邊就不特別多做說明，那麼來一邊實作練習一邊做說明吧。
如何對深度學習模型進行訓練：
可以看到compile方法裡有3個參數：loss代表設定損失函數，損失函數可以把它想成是在計算誤差，而選用的cross entropy是深度學習中常用的損失函數，訓練效果比較好；optimizer代表設定最佳化方法，用意是在更新權重並縮小誤差，使用adam可以更快速有效率的收斂，提升預測的準確率；metrics則是在設定評估模型的方式，即是以accuracy準確率做評估。
首先輸入訓練資料參數，將預處理過的訓練資料中，所得到的數字影像特徵值（features）和真實值（labels）代入，再設定訓練與驗證的比例，validation_split=0.2的意思是代表Keras會把總共60000筆的資料，切出其中80%作為訓練資料，另外20%作為驗證資料，然後設定epoch次數及每一批次的資料筆數，預計日後會對這些詞彙做一篇補充說明，目前需要瞭解的是epochs=10就代表執行10次訓練週期，而batch_size=200象徵每一批次的訓練有200筆資料，最後設定顯示訓練過程，verbose參數設定為0是不輸出，設定為1是輸出進度條記錄，設定為2才能將每個epoch輸出一行記錄。從印出的執行結果可以看到，每一個訓練週期（epoch）使用資料訓練模型後，計算出各週期的誤差值（loss）與準確率（accuracy），都有確實被記錄下來。
iThome鐵人賽
看影片追技術