在Keras中，模型的训练通常通过调用模型的fit方法来实现。fit方法接受输入数据和标签，并根据给定的损失函数和优化器来训练模型。
以下是一个简单的示例，演示如何在Keras中训练一个简单的神经网络模型：
import numpy as np
from keras.models import Sequential
from keras.layers import Dense
# 生成一些随机的训练数据
X_train = np.random.random((1000, 20))
y_train = np.random.randint(2, size=(1000, 1))
# 创建一个简单的神经网络模型
model = Sequential()
model.add(Dense(64, input_dim=20, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
# 编译模型，定义损失函数和优化器
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
# 训练模型
model.fit(X_train, y_train, epochs=10, batch_size=32)
在上面的示例中，我们首先生成了一些随机的训练数据，然后创建了一个包含两个全连接层的简单神经网络模型。接着我们使用compile方法来编译模型，定义了损失函数为二分类交叉熵，优化器为Adam，并指定了评估指标为准确率。最后，我们使用fit方法来训练模型，指定了训练数据X_train和标签y_train，并指定了训练轮数和批处理大小。
希望这个示例能够帮助你开始在Keras中训练你的模型。
