model.evaluate

model.evaluate 用于评估您训练的模型。它的输出是准确度或损失，而不是对输入数据的预测。

model.predict 实际预测，其输出是目标值，根据输入数据预测。

model.fit

 #fit参数详情
 keras.models.fit(
    self,
    x=None, #训练数据
 y=None, #训练数据label标签
 batch_size=None, #每经过多少个sample更新一次权重，defult 32
 epochs=1, #训练的轮数epochs
 verbose=1, #0为不在标准输出流输出日志信息，1为输出进度条记录，2为每个epoch输出一行记录
 callbacks=None,#list，list中的元素为keras.callbacks.Callback对象，在训练过程中会调用list中的回调函数
 validation_split=0., #浮点数0-1，将训练集中的一部分比例作为验证集，然后下面的验证集validation_data将不会起到作用
 validation_data=None, #验证集
 shuffle=True, #布尔值和字符串，如果为布尔值，表示是否在每一次epoch训练前随机打乱输入样本的顺序，如果为"batch"，为处理HDF5数据
 class_weight=None, #dict,分类问题的时候，有的类别可能需要额外关注，分错的时候给的惩罚会比较大，所以权重会调高，体现在损失函数上面
 sample_weight=None, #array,和输入样本对等长度,对输入的每个特征+个权值，如果是时序的数据，则采用(samples，sequence_length)的矩阵
 initial_epoch=0, #如果之前做了训练，则可以从指定的epoch开始训练
 steps_per_epoch=None, #将一个epoch分为多少个steps，也就是划分一个batch_size多大，比如steps_per_epoch=10，则就是将训练集分为10份，不能和batch_size共同使用
 validation_steps=None, #当steps_per_epoch被启用的时候才有用，验证集的batch_size
 **kwargs #用于和后端交互
 )