Keras的fit函数的validation_split参数如何工作？

在https://keras.io/models/sequential/上记录了Keras顺序模型拟合函数中的验证拆分：

validation_split：在0到1之间浮动。要用作验证数据的训练数据的分数。模型将分开训练数据的这一部分，不对其进行训练，并且将在每个时期结束时评估此数据的损失和任何模型度量。在改组之前，从提供的x和y数据中的最后一个样本中选择验证数据。

请注意最后一行：

在改组之前，从提供的x和y数据中的最后一个样本中选择验证数据。

这是否意味着验证数据始终是固定的，并且取自主数据集的底部？

有什么办法可以从主数据集中随机选择给定的数据部分？

实际上，您实际上不想在每个时期之后对验证集重新采样。如果执行此操作，则将对数据集中的每个样本进行模型训练，因此将导致过度拟合。您希望始终在训练过程之前拆分数据，然后仅应使用训练数据的子集来训练算法。

设计的功能可确保以一种始终分离数据的方式分离数据，以便每个时期都在数据的相同部分上进行训练。如果选择了该选项，则所有训练都将在训练样本之间进行。

但是，对于某些数据集，获取最后几个实例是没有用的，特别是如果数据集是基于类进行重组的。然后，您的班级分配将出现偏差。因此，您将需要某种随机方法来提取数据的子集，以在训练和验证集中获得平衡的班级分布。为此，我一直喜欢使用sklearn函数，如下所示

from sklearn.model_selection import train_test_split

# Split the data
x_train, x_valid, y_train, y_valid = train_test_split(data, labels, test_size=0.33, shuffle= True)

这是一个很好用的函数，可以满足您的需求。变量data和labels是标准的numpy矩阵，第一个维度是实例。