Keras Sequential 模型拟合函数中的验证拆分在https://keras.io/models/sequential/上记录如下：
validation_split：在 0 和 1 之间浮动。要用作验证数据的训练数据的一部分。该模型将分离这部分训练数据，不会对其进行训练，并将在每个 epoch 结束时评估该数据的损失和任何模型指标。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取自主数据集的底部？
有什么方法可以从主数据集中随机选择给定的数据部分？
您实际上不想在每个 epoch 之后重新采样您的验证集。如果您这样做，您的模型将在数据集中的每个样本上进行训练，因此这将导致过度拟合。您希望始终在训练过程之前拆分数据，然后只应使用数据子集对算法进行训练以进行训练。
设计的功能确保数据以这样一种方式分离，即它始终在每个时期的数据的相同部分上进行训练。如果选择了该选项，则所有改组都在 epoch 之间的训练样本内完成。
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重新组合的。那么你的班级分布就会出现偏差。因此，您将需要某种随机方式来提取数据的子集，以在训练和验证集中获得平衡的类分布。为此，我总是喜欢使用 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)
这是一个很好的易于使用的功能，可以满足您的需求。变量data和labels是标准的 numpy 矩阵，第一维是实例。
按照 JahKnows 的回答，我应该指出，如果您想要一个在改组后选择的固定验证数据集，您可以使用该train_test_split方法获取单独的验证数据集，然后使用方法validation_data中的参数fit而不是validation_split，并指向x 和 y 的验证数据。
如果您想要验证和测试数据集，您可以使用该train_test_split方法两次，如下所示：
from sklearn.model_selection import train_test_split
# Separate the test data
x, x_test, y, y_test = train_test_split(x, y, test_size=0.15, shuffle=True)
# Split the remaining data to train and validation
x_train, x_val, y_train, y_val = train_test_split(x, y, test_size=0.15, shuffle=True)
...
# Training the Keras model
the_model.fit(x=x_train, y=y_train, batch_size=64, epochs=100, validation_data=(x_val, y_val))