Keras model.fit() 參數設定：batch_size、epochs、validation 與 callbacks 怎麼用？

model.fit() 是做什麼用的？

Keras model.fit() 會依指定的 epoch 數訓練模型，並在每個 batch 中計算 loss、反向傳播與更新權重。fit() 回傳的 History 物件可用來查看每輪訓練與驗證指標。

Keras 官方文件將 fit() 定義為用固定 epoch 數訓練模型的方法；x 可接受 NumPy array、tensor、tf.data.Dataset、PyDataset、PyTorch DataLoader 或 Python generator（Keras，存取日期：2026-08-28）。TensorFlow 的 tf.keras.Model.fit 也維持相同訓練流程概念（TensorFlow，存取日期：2026-08-28）。

我當時的筆記先從 fit() 參數表開始，這段範例保留了當時 TensorFlow/Keras 常見的 signature。若使用 Keras 3，max_queue_size、workers、use_multiprocessing 已不在新版 Keras 文件的主要 fit() signature 中；維護舊專案時要以專案實際 TensorFlow/Keras 版本文件為準。

fit(
    x=None,
    y=None,
    batch_size=None,
    epochs=1,
    verbose='auto',
    callbacks=None,
    validation_split=0.0,
    validation_data=None,
    shuffle=True,
    class_weight=None,
    sample_weight=None,
    initial_epoch=0,
    steps_per_epoch=None,
    validation_steps=None,
    validation_batch_size=None,
    validation_freq=1,
    max_queue_size=10,
    workers=1,
    use_multiprocessing=False
)

在使用 model.fit() 之前，可以先用下列指令查看模型資訊：

model.summary()

model.fit() 常用參數怎麼設定？

Keras model.fit() 最常調整的是資料輸入、批次大小、訓練輪數與驗證資料。初學時不需要一次記完整份 API，先看懂訓練資料如何被切成 batch，再補 callbacks 與 sample weights。

一個基本訓練範例如下：

history = model.fit(
    x_train,
    y_train,
    batch_size=32,
    epochs=20,
    validation_split=0.2,
    callbacks=[
        tf.keras.callbacks.EarlyStopping(
            monitor="val_loss",
            patience=3,
            restore_best_weights=True,
        )
    ],
)

batch_size 會影響什麼？

batch_size 是每次拿來計算梯度並更新權重的訓練樣本數。較大的 batch 通常運算效率較好但更吃記憶體；較小的 batch 記憶體壓力較低，但梯度波動可能變大。

Batch size 是在訓練神經網路時，一次輸入給模型的訓練樣本數量。批量大小會影響訓練速度和效果，也決定模型在訓練過程中每次更新權重時使用多少樣本。

在訓練神經網路時，每一次將一個批次的訓練資料輸入模型，並根據輸出調整模型參數的過程，稱為一次 iteration。假設訓練集有 1,000 筆資料，batch_size=100，模型會用 10 次 iteration 跑完一個 epoch。

批量大小需要平衡硬體與訓練穩定性。批量太小時，梯度可能波動較大；批量太大時，記憶體需求會上升，也可能讓模型更新次數變少。Keras 文件也提醒，如果輸入資料已經是 tf.data.Dataset、PyDataset、DataLoader 或 generator，通常不要再傳 batch_size，因為資料來源本身已經產生 batch（Keras，存取日期：2026-08-28）。

什麼是更新權重？

更新權重是神經網路用訓練資料修正模型參數的過程。模型先計算預測與標籤之間的 loss，再透過反向傳播與 optimizer 調整權重，讓下一次預測更接近目標。

在神經網路中，權重是用於計算網路輸出的參數。每個神經元都有自己的權重，這些權重決定該神經元對輸出的貢獻。

訓練神經網路時，模型會根據輸入和預期輸出計算損失，然後使用反向傳播演算法調整權重，使損失逐步降低。嚴格來說，權重是模型透過訓練學到的參數；learning_rate、batch_size、正則化強度與 epochs 才是開發者預先設定的超參數。

這篇筆記保留「權重更新」這個核心概念，並補上一個實務判斷：如果 loss 完全不下降，先檢查資料 shape、標籤格式、loss function 與 learning rate，再去懷疑模型層數不夠。

epochs 要設多少？

epochs 代表模型完整看過訓練資料幾輪。epoch 不是 batch 次數；總更新次數通常接近「樣本數除以 batch_size，再乘上 epoch 數」。

Epoch 是指訓練過程中對整個訓練資料集進行一次完整的訓練循環。例如，假設有 1,000 個樣本的訓練資料集，批量大小為 100，就需要 10 次 iteration 才能完成一個 epoch。

在訓練神經網路時，通常會進行多個 epoch，以提高模型精度。在每個 epoch 中，模型會看過所有訓練資料，並根據輸出調整模型參數。許多情況下，經過足夠多的 epoch 後，模型的精度會趨於穩定，繼續訓練不一定有幫助。

實務上我會先設一個偏高但可接受的 epochs，再搭配 EarlyStopping 讓模型在 validation loss 停止改善時自動停下來。這比手動猜 5、10、50 哪個剛好更可靠。

validation_split 和 validation_data 怎麼選？

validation_data 適合已經切好驗證集的專案；validation_split 適合 NumPy array 或 tensor 的快速實驗。兩者同時設定時，Keras 會使用 validation_data。

validation_split 會從傳入的訓練資料切出一部分做驗證，模型不會用這部分資料訓練，只會在每個 epoch 結束時評估 loss 與 metrics。Keras 文件中特別指出，validation_split 取的是 x 與 y 尾端樣本，而且是在 shuffle 前切出；如果資料原本依類別或時間排序，直接使用可能造成驗證集偏掉（Keras，存取日期：2026-08-28）。

我會這樣選：

分類模型的 activation 和 loss 要怎麼搭？

分類模型常見搭配是二元分類用 sigmoid，單標籤多分類用 softmax，多標籤分類用 sigmoid。activation、標籤格式與 loss function 三者要一起檢查。

我當時的筆記寫到「label 單類別最後使用 softmax，多類別用 sigmoid」。更精確地說，若每筆資料只屬於一個類別，輸出層通常用 softmax；若每筆資料可同時屬於多個類別，輸出層通常用 sigmoid。

Keras compile() 文件說明，loss function 會比較 y_true 與 y_pred，而 sparse loss 期待整數標籤格式（Keras，存取日期：2026-08-28）。所以模型無法收斂時，不要只看 fit() 參數，也要回頭檢查 compile()。

model.fit() 參數設定檢查表

Keras model.fit() 出錯時，通常不是某個參數背不起來，而是資料、標籤、loss、batch 與 validation 沒對齊。訓練前照這份清單掃一次，可以少掉很多重跑。

1. 用 model.summary() 確認輸入 shape、輸出 shape 與參數量。
2. 確認 x_train 第一維是樣本數，且與 y_train 第一維一致。
3. 確認最後一層 activation 與 loss function 對應分類型態。
4. 使用 NumPy array 或 tensor 時，再設定 batch_size；dataset 已 batch 時不要重複指定。
5. 優先準備固定 validation_data，快速實驗才用 validation_split。
6. 需要自動停止、存檔或看 TensorBoard 時，把邏輯放進 callbacks。
7. 訓練結果怪異時，先看 loss 是否下降，再看 validation loss 是否和 training loss 分開。

常見問題

Qmodel.fit() 的 batch_size 預設是多少？

Keras 文件說明，未指定 batch_size 時通常預設為 32。若 x 是 tf.data.Dataset、PyDataset、DataLoader 或 generator，資料來源本身應產生 batch，通常不要再傳 batch_size。

Qepochs 越多模型就越準嗎？

epochs 越多不一定越準。訓練輪數太少可能欠擬合，訓練輪數太多可能過擬合；建議搭配 validation loss 與 EarlyStopping 判斷何時停止。

Qvalidation_split 可以取代測試集嗎？

validation_split 不能取代最終測試集。Validation data 用於訓練期間調整判斷，test data 應保留到最後做一次較接近真實泛化能力的評估。

Q使用 tf.data.Dataset 時 y 要另外傳給 model.fit() 嗎？

使用 tf.data.Dataset 且 dataset 已輸出 (inputs, targets) 時，y 通常不要另外傳入。Keras 會從 dataset 的 tuple 結構中讀出輸入、標籤與可選的 sample weights。

Qcallbacks 在 model.fit() 裡通常用來做什麼？

callbacks 常用來做提前停止、儲存最佳模型、調整 learning rate 或寫入 TensorBoard。EarlyStopping 和 ModelCheckpoint 是訓練實驗裡最常見的兩個 callback。

Qsoftmax 和 sigmoid 要怎麼選？

每筆資料只會屬於一個類別時，分類輸出通常用 softmax。每筆資料可能同時屬於多個類別時，分類輸出通常用 sigmoid，並搭配適合多標籤任務的 loss。

參考資料

• Keras，〈Model training APIs〉，存取日期：2026-08-28。
• Keras，〈Training & evaluation with the built-in methods〉，存取日期：2026-08-28。
• TensorFlow，〈tf.keras.Model〉，存取日期：2026-08-28。

延伸閱讀

• Keras 介紹：用 Python 快速建立深度學習模型的高階 API：同樣聚焦 Keras、TensorFlow，可接著比較不同情境的做法。
• 如何使用 Keras 回呼(callbacks)觸發訓練週期的結束？ModelCheckpoint 與 EarlyStopping 實戰：同樣聚焦 Keras、TensorFlow，可接著比較不同情境的做法。
• Keras 建立模型並預測資料：從 Sequential 到 model.predict 的完整流程：同樣聚焦 Keras、TensorFlow，可接著比較不同情境的做法。

最後更新

2026-08-28

關於作者

Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。

首次發布：2022-12-22