一、train_on_batch
model.train_on_batch(batchX, batchY)
train_on_batch函數(shù)接受單批數(shù)據(jù)，執(zhí)行反向傳播，然后更新模型參數(shù)，該批數(shù)據(jù)的大小可以是任意的，即，它不需要提供明確的批量大小，屬于精細(xì)化控制訓(xùn)練模型，大部分情況下我們不需要這么精細(xì)，99%情況下使用fit_generator訓(xùn)練方式即可，下面會(huì)介紹。
二、fit
model.fit(x_train, y_train, batch_size=32, epochs=10)
fit的方式是一次把訓(xùn)練數(shù)據(jù)全部加載到內(nèi)存中，然后每次批處理batch_size個(gè)數(shù)據(jù)來(lái)更新模型參數(shù)，epochs就不用多介紹了。這種訓(xùn)練方式只適合訓(xùn)練數(shù)據(jù)量比較小的情況下使用。
三、fit_generator
利用Python的生成器，逐個(gè)生成數(shù)據(jù)的batch并進(jìn)行訓(xùn)練，不占用大量?jī)?nèi)存，同時(shí)生成器與模型將并行執(zhí)行以提高效率。例如，該函數(shù)允許我們?cè)贑PU上進(jìn)行實(shí)時(shí)的數(shù)據(jù)提升，同時(shí)在GPU上進(jìn)行模型訓(xùn)練
接口如下：
fit_generator(self, generator, steps_per_epoch, epochs=1, verbose=1, callbacks=None, validation_data=None, validation_steps=None, class_weight=None, max_q_size=10, workers=1, pickle_safe=False, initial_epoch=0)
generator：生成器函數(shù)
steps_per_epoch：整數(shù)，當(dāng)生成器返回steps_per_epoch次數(shù)據(jù)時(shí)，計(jì)一個(gè)epoch結(jié)束，執(zhí)行下一個(gè)epoch。也就是一個(gè)epoch下執(zhí)行多少次batch_size。
epochs：整數(shù)，控制數(shù)據(jù)迭代的輪數(shù)，到了就結(jié)束訓(xùn)練。
callbacks=None, list，list中的元素為keras.callbacks.Callback對(duì)象，在訓(xùn)練過(guò)程中會(huì)調(diào)用list中的回調(diào)函數(shù)
舉例：
def generate_arrays_from_file(path):
while True:
with open(path) as f:
for line in f:
# create numpy arrays of input data
# and labels, from each line in the file
x1, x2, y = process_line(line)
yield ({'input_1': x1, 'input_2': x2}, {'output': y})
model.fit_generator(generate_arrays_from_file('./my_folder'),
steps_per_epoch=10000, epochs=10)
補(bǔ)充：keras.fit_generator()屬性及取值
如下所示：
fit_generator(self, generator,
steps_per_epoch=None,
epochs=1,
verbose=1,
callbacks=None,
validation_data=None,
validation_steps=None,
class_weight=None,
max_queue_size=10,
workers=1,
use_multiprocessing=False,
shuffle=True,
initial_epoch=0)
通過(guò)Python generator產(chǎn)生一批批的數(shù)據(jù)用于訓(xùn)練模型。generator可以和模型并行運(yùn)行，例如，可以使用CPU生成批數(shù)據(jù)同時(shí)在GPU上訓(xùn)練模型。
參數(shù)：
generator：一個(gè)generator或Sequence實(shí)例，為了避免在使用multiprocessing時(shí)直接復(fù)制數(shù)據(jù)。
steps_per_epoch：從generator產(chǎn)生的步驟的總數(shù)（樣本批次總數(shù)）。通常情況下，應(yīng)該等于數(shù)據(jù)集的樣本數(shù)量除以批量的大小。
epochs：整數(shù)，在數(shù)據(jù)集上迭代的總數(shù)。
works：在使用基于進(jìn)程的線程時(shí)，最多需要啟動(dòng)的進(jìn)程數(shù)量。
use_multiprocessing：布爾值。當(dāng)為True時(shí)，使用基于基于過(guò)程的線程。
例如：
datagen = ImageDataGenator(...)
model.fit_generator(datagen.flow(x_train, y_train,
batch_size=batch_size),
epochs=epochs,
validation_data=(x_test, y_test),
workers=4)
以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
您可能感興趣的文章:- keras修改backend的簡(jiǎn)單方法
- keras的get_value運(yùn)行越來(lái)越慢的解決方案
- 淺談Keras中fit()和fit_generator()的區(qū)別及其參數(shù)的坑
- Keras保存模型并載入模型繼續(xù)訓(xùn)練的實(shí)現(xiàn)
- TensorFlow2.0使用keras訓(xùn)練模型的實(shí)現(xiàn)
- tensorflow2.0教程之Keras快速入門
- 淺析關(guān)于Keras的安裝(pycharm)和初步理解
- 基于Keras的擴(kuò)展性使用
