Deep learning Keras：在批量生产线上处理批量数据时的测试、交叉验证和准确性
有人能给我举一个完整的例子，它可以完成以下所有功能吗Deep learning Keras：在批量生产线上处理批量数据时的测试、交叉验证和准确性,deep-learning,keras,batch-processing,metrics,Deep Learning,Keras,Batch Processing,Metrics,有人能给我举一个完整的例子，它可以完成以下所有功能吗 使用train\u on\u batch（） 为验证目的，从每个批次中留出数据 在处理完所有批次后，留出测试数据进行精度评估（参见下面我的示例的最后一行） 我在互联网上找到了大量1-5行代码片段，说明了如何调用train\u on\u batch（）或fit\u generator（），但到目前为止，还没有任何代码清楚地说明如何在使用train\u on\u batch（）时分离和处理验证和测试数据 F.Chollet的好例子Cifar1
- 使用
train\u on\u batch（） - 为验证目的，从每个批次中留出数据
- 在处理完所有批次后，留出测试数据进行精度评估（参见下面我的示例的最后一行）
train\u on\u batch（）fit\u generator（）train\u on\u batch（）test_xtest_y而1：
尝试：
批处理=np.数组（pickle.load（fvecs））
极性=np.数组（pickle.load（fpols））
#将一批1000份文档（电影评论）分为：
#800行训练数据，以及
#200行测试（验证？）数据
序列x、val\u x、序列y、val\u y=序列测试分割（批次、极性、测试大小=0.2）
文件大小=30
x\u批次=焊盘顺序（x列，最大=文件大小）
y\u批次=第y列
#符合模型
型号。批量生产（x批、y批）
#模型拟合（序列x，序列y，验证数据=（值x，值y），年代=2，批量大小=800，详细度=2）
除EOFError外：
打印（“检测到EOF”）
打破
#模型的最终评估
分数=模型。评估（测试x，测试y，详细=0）
打印（“精度：%.2f%%”%（分数[1]*100））
def序列在批次上（自身、x、y、，
样品重量=无，
等级（重量=无）：
“”“对单个批数据运行单个渐变更新。”。
#论据
x：训练数据的Numpy数组，
或Numpy数组列表（如果模型有多个输入）。
如果模型中的所有输入都已命名，
你也可以递给我一本字典
将输入名称映射到Numpy数组。
y：目标数据的Numpy数组，
或Numpy阵列列表（如果模型有多个输出）。
如果模型中的所有输出都已命名，
你也可以递给我一本字典
将输出名称映射到Numpy数组。
示例_权重：与x长度相同的可选数组，包含
应用于每个样本的模型损失的权重。
对于时间数据，可以传递二维数组
形状（样本、序列长度），
对每个样本的每个时间步应用不同的权重。
在这种情况下，您应该确保指定
compile（）中的sample\u weight\u mode=“temporal”。
类权重：可选字典映射
类索引（整数）到
适用于样品模型损耗的重量（浮子）
在培训期间从本课程中学习。
这有助于告诉模型“更加注意”
来自代表性不足的类的样本。
#返回
标量训练损失
（如果模型只有一个输出且没有指标）
或标量列表（如果模型有多个输出
属性“model.metrics\u names”将为您提供
标量输出的显示标签。
"""
x、 y，样本\权重=自身。\标准化\用户\数据(
x、 y,，
样品重量=样品重量，
等级重量=等级重量，
检查（批次轴=真）
如果self.uses_learning_phase而非isinstance（K.learning_phase（），int）：
ins=x+y+样本权重+[1]
其他：
ins=x+y+样本权重
self.\u make\u train\u function（）
输出=自列车功能（ins）
如果len（输出）==1：
返回输出[0]
返回输出