如果您设置shuffle=True为model.fit方法的参数，Keras 将在将数据集拆分为批次（源）之前对其进行洗牌，否则将按顺序处理数据集。

相关文档本身并未提及随机抽样。

Sequential注意：这一切都与模型类型与类型无关Model。OP专门谈论Sequential模型。

您可以指定shuffle参数以在整个训练数据集中获取随机样本，但没有严格/参数化的采样方法。然而，使用shuffle=True等同于无替换的随机选择（每个时期只能对样本进行一次采样）。

您可以查看源代码以了解 Keras 如何构建 train 函数，但它不包括任何随机抽样。这在内部得到了更深层次的处理，例如通过fit_loop简单地打乱训练样本索引的函数：

if shuffle == 'batch':
    index_array = batch_shuffle(index_array, batch_size)
elif shuffle:
    np.random.shuffle(index_array)

您可以通过class_weight参数告诉 Keras 在计算损失时应该认为某些样本更重要（尽管它不影响采样方法本身）：

class_weight：可选字典将类索引（整数）映射到权重（浮点）值，用于加权损失函数（仅在训练期间）。这对于告诉模型“更加关注”来自代表性不足的类的样本很有用。