模型的fit函式有兩個引數，shuffle用於將資料打亂，validation_split用於在沒有提供驗證集的時候，按一定比例從訓練集中取出一部分作為驗證集

這裡有個陷阱是，程式是先執行validation_split，再執行shuffle的，所以會出現這種情況：

假如你的訓練集是有序的，比方說正樣本在前負樣本在後，又設定了validation_split，那麼你的驗證集中很可能將全部是負樣本

同樣的，這個東西不會有任何錯誤報出來，因為Keras不可能知道你的資料有沒有經過shuffle，保險起見如果你的資料是沒shuffle過的，最好手動shuffle一下

補充知識：Keras使用陷阱

1 TF卷積核與TH卷積核

Keras提供了兩套後端，Theano和Tensorflow。如果你從無到有搭建自己的一套網路，則大可放心。但如果你想使用一個已有網路，或把一個用th/tf 訓練的網路以另一種後端應用，在載入的時候你就應該特別小心了。

卷積核與所使用的後端不匹配，不會報任何錯誤，因為它們的shape是完全一致的，沒有方法能夠檢測出這種錯誤。

在使用預訓練模型時，一個建議是首先找一些測試樣本，看看模型的表現是否與預計的一致。

如需對卷積核進行轉換，可以使用utils.convert_all_kernels_in_model對模型的所有卷積核進行轉換

2 向BN層中載入權重

如果你不知道從哪裡淘來一個預訓練好的BN層，想把它的權過載入到Keras中，要小心引數的載入順序。

一個典型的例子是，將caffe的BN層引數載入Keras中，caffe的BN由兩部分構成，bn層的引數是mean，std，scale層的引數是gamma，beta。

按照BN的文章順序，似乎載入Keras BN層的引數應該是[mean,std,gamma,beta]；

然而不是的，Keras的BN層引數順序應該是[gamma,beta,mean,std]，這是因為gamma和beta是可訓練的引數，而mean和std不是。Keras的可訓練引數在前，不可訓練引數在後

錯誤的權重順序不會引起任何報錯，因為它們的shape完全相同

3 shuffle和validation_split的順序

模型的fit函式有兩個引數，shuffle用於將資料打亂，validation_split用於在沒有提供驗證集的時候，按一定比例從訓練集中取出一部分作為驗證集.

這裡有個陷阱是，程式是先執行validation_split，再執行shuffle的，所以會出現這種情況：

假如你的訓練集是有序的，比方說正樣本在前負樣本在後，又設定了validation_split，那麼你的驗證集中很可能將全部是負樣本。

同樣的，這個東西不會有任何錯誤報出來，因為Keras不可能知道你的資料有沒有經過shuffle，保險起見如果你的資料是沒shuffle過的，最好手動shuffle一下。

4 Merge層的層物件與函式方法

Keras定義了一套用於融合張量的方法，位於keras.layers.Merge，裡面有兩套工具，以大寫字母開頭的是Keras Layer類，使用這種工具是需要例項化一個Layer物件，然後再使用。以小寫字母開頭的是張量函式方法，本質上是對Merge Layer物件的一個包裝，但使用更加方便一些。注意辨析。

以上這篇淺談Keras中shuffle和validation_split的順序就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。