我看到了一些关于逐个样本训练Keras模型的帖子。从这些帖子中我了解到，Keras模型即使在逐个样本训练的基础上也会更新模型权重。现在的问题是，在这种情况下，我们如何提供验证分割，以及如何绘制模型的验证曲线，因为我们并不是将整个数据集一次性提供给模型，而是逐行提供数据集？
reduce_lr = tf.keras.callbacks.LearningRateScheduler(lambda x: 1e-3 * 0.90 ** x)model.compile(optimizer=keras.optimizers.Adam(clipnorm=1.0, clipvalue=0.5), loss="mse")for i in range(train_size): one_row = train_data.iloc[i:i+1, :].to_numpy() one_row = tf.convert_to_tensor(one_row .reshape(-1, one_row .shape[0], one_row.shape[1]), np.float32) one_label=one_row history= model.fit(one_row ,one_label, epochs=10, validation_split=0.1,verbose=2, callbacks=[reduce_lr])回答：
在Keras中，你有两种方式来进行验证：
- 第一种是指定一部分训练数据用于验证。这部分数据可以从数据集的末尾或随机抽取，具体取决于传递的
Shuffle参数。可以通过指定validation_split来激活此选项：
介于0和1之间的浮点数。用于验证数据的训练数据的比例。模型将分离这部分训练数据，不在其上进行训练，并在每个epoch结束时评估此数据上的损失和任何模型指标。验证数据是从提供的x和y数据的最后几个样本中选取的，在打乱之前。
- 第二种选项是自己提供验证数据。你可以在最开始分割数据集，并取其中的一部分（通常为10%到20%）作为验证数据。这可以通过
validation_data参数来指定：
用于在每个epoch结束时评估损失和任何模型指标的数据。模型不会在这数据上进行训练。因此，请注意使用
validation_split或validation_data提供的数据的验证损失不受正则化层（如噪声和丢弃）的影响。validation_data将覆盖validation_split。validation_data可以是：一个由Numpy数组或张量组成的元组(x_val, y_val)。一个由NumPy数组组成的元组(x_val, y_val, val_sample_weights)。一个tf.data.Dataset。一个返回(inputs, targets)或(inputs, targets, sample_weights)的Python生成器或keras.utils.Sequence。使用tf.distribute.experimental.ParameterServerStrategy时，validation_data尚不支持。
所以你可以选择上面的选项2，并在每次迭代中传递一个验证数据样本。然而，你需要定义如何补偿训练集和验证集之间样本数量差异的策略。例如，你可以将验证集的索引在到达验证集末尾时自动重置为0。
关于如何绘制它们，这与通常的方式没有太大不同：
Model.fit()返回：
一个History对象。其History.history属性记录了在连续epoch中的训练损失值和指标值，以及验证损失值和验证指标值（如果适用）。
因此，如果你有一个epoch，每次迭代后从History对象中提取训练和验证损失/准确度/指标等，并将它们保存到相应的列表中。如果每次迭代有多个epoch，那么根据你的需求，取平均值或最后一个值等。
最后，在最后，使用例如经典的Matplotlib来绘制它们。
