在Keras中，模型的訓練通常通過調用模型的fit方法來實現。fit方法接受輸入數據和標簽，并根據給定的損失函數和優化器來訓練模型。
以下是一個簡單的示例，演示如何在Keras中訓練一個簡單的神經網絡模型：
import numpy as np
from keras.models import Sequential
from keras.layers import Dense
# 生成一些隨機的訓練數據
X_train = np.random.random((1000, 20))
y_train = np.random.randint(2, size=(1000, 1))
# 創建一個簡單的神經網絡模型
model = Sequential()
model.add(Dense(64, input_dim=20, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
# 編譯模型，定義損失函數和優化器
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
# 訓練模型
model.fit(X_train, y_train, epochs=10, batch_size=32)
在上面的示例中，我們首先生成了一些隨機的訓練數據，然后創建了一個包含兩個全連接層的簡單神經網絡模型。接著我們使用compile方法來編譯模型，定義了損失函數為二分類交叉熵，優化器為Adam，并指定了評估指標為準確率。最后，我們使用fit方法來訓練模型，指定了訓練數據X_train和標簽y_train，并指定了訓練輪數和批處理大小。
希望這個示例能夠幫助你開始在Keras中訓練你的模型。
