#train the model
history = model.fit(x_train, y_train,
batch_size=32,
epochs=100,
validation_split=0.1,
shuffle=True,
class_weight=class_weights,
callbacks=[es])
model.fit( 訓練集的輸入特徵，
訓練集的標籤，
batch_size, #每一個batch的大小
epochs, #迭代次數
validation_data = (測試集的輸入特徵，測試集的標籤），
validation_split = 從測試集中劃分多少比例給訓練集，
validation_freq = 測試的epoch間隔數）
https://blog.csdn.net/yunfeather/article/details/106463327
model.fit( ) ：
將訓練數據在模型中訓練一定次數，返回loss和測量指標
model.fit(x, y, batch_size, epochs, verbose, validation_split, validation_data, validation_freq)
model.fit( ) 參數:
| x | 輸入 |
| y | 輸出 |
| batch_size | 每一個batch的大小（批尺寸），即訓練一次網絡所用的樣本數 |
| epochs | 迭代次數，即全部樣本數據將被“輪”多少次，輪完訓練停止 |
| verbose |
0:不輸出信息；1:顯示進度條(一般默認爲1)；2:每個epoch輸出一行記錄； |
| validation_split | (0,1)的浮點數，分割數據當驗證數據，其它當訓練數據 |
| validation_data | 指定驗證數據，該數據將覆蓋validation_spilt設定的數據 |
| validation_freq | 指定驗證數據的epoch |
| callback |
在每個training/epoch/batch結束時，可以通過回調函數Callbacks查看一些內部信息。常用的callback有EarlyStopping，當監視的變量停止改善時，停止訓練，防止模型過擬合，其默認參數如下： |
callback=callbacks.EarlyStopping(monitor='loss',min_delta=0.002,patience=0,mode='auto',restore_best_weights=False)
- monitor：監視量，一般是loss。
- min_delta：監視量改變的最小值，如果監視量的改變絕對值比min_delta小，這次就不算監視量改善，具體是增大還是減小看mode
- patience：如發現監視量loss相比上一個epoch訓練沒有下降，則經過patience個epoch後停止訓練
- mode：在min模式訓練，如果監視量停止下降則終止訓練；在max模式下，如果監視量停止上升則停止訓練。監視量使用acc時就要用max，使用loss時就要用min。
- restore_best_weights：是否把模型權重設爲訓練效果最好的epoch。如果爲False，最終模型權重是最後一次訓練的權重
model.fit( )返回值
model.fit( )函數返回一個History的對象，即記錄了loss和其他指標的數值隨epoch變化的情況。
鳶尾花數據：
REF
https://blog.csdn.net/Fwuyi/article/details/123214588