1、fit和fit_generator的區別
首先Keras中的fit()函數傳入的x_train和y_train是被完整的加載進內存的,當然用起來很方便，但是如果我們數據量很大，那么是不可能將所有數據載入內存的，必將導致內存泄漏，這時候我們可以用fit_generator函數來進行訓練。
下面是fit傳參的例子：
history = model.fit(x_train, y_train, epochs=10,batch_size=32,
validation_split=0.2)
這里需要給出epochs和batch_size，epoch是這個數據集要被輪多少次，batch_size是指這個數據集被分成多少個batch進行處理。
最后可以給出交叉驗證集的大小，這里的0.2是指在訓練集上占比20%。
fit_generator函數必須傳入一個生成器，我們的訓練數據也是通過生成器產生的，下面給出一個簡單的生成器函數：
batch_size = 128
def generator():
while 1:
row = np.random.randint(0,len(x_train),size=batch_size)
x = np.zeros((batch_size,x_train.shape[-1]))
y = np.zeros((batch_size,))
x = x_train[row]
y = y_train[row]
yield x,y
這里的生成器函數我產生的是一個batch_size為128大小的數據，這只是一個demo。如果我在生成器里沒有規定batch_size的大小，就是每次產生一個數據，那么在用fit_generator時候里面的參數steps_per_epoch是不一樣的。
這里的坑我困惑了好久，雖然不是什么大問題
下面是fit_generator函數的傳參：
history = model.fit_generator(generator(),epochs=epochs,steps_per_epoch=len(x_train)//(batch_size*epochs))
2、batch_size和steps_per_epoch的區別
首先batch_size = 數據集大小/steps_per_epoch的，如果我們在生成函數里設置了batch_size的大小，那么在fit_generator傳參的時候，,steps_per_epoch=len(x_train)//(batch_size*epochs)
我得完整demo代碼：
from keras.datasets import imdb
from keras.preprocessing.sequence import pad_sequences
from keras.models import Sequential
from keras import layers
import numpy as np
import random
from sklearn.metrics import f1_score,accuracy_score
max_features = 10000
maxlen = 500
batch_size = 32
(x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=max_features)
x_train = pad_sequences(x_train,maxlen=maxlen)
x_test = pad_sequences(x_test,maxlen=maxlen)
def generator():
while 1:
row = np.random.randint(0,len(x_train),size=batch_size)
x = np.zeros((batch_size,x_train.shape[-1]))
y = np.zeros((batch_size,))
x = x_train[row]
y = y_train[row]
yield x,y
# generator()
model = Sequential()
model.add(layers.Embedding(max_features,32,input_length=maxlen))
model.add(layers.GRU(64,return_sequences=True))
model.add(layers.GRU(32))
# model.add(layers.Flatten())
# model.add(layers.Dense(32,activation='relu'))
model.add(layers.Dense(1,activation='sigmoid'))
model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['acc'])
print(model.summary())
# history = model.fit(x_train, y_train, epochs=1,batch_size=32, validation_split=0.2)
history = model.fit_generator(generator(),epochs=1,steps_per_epoch=len(x_train)//(batch_size))
print(model.evaluate(x_test,y_test))
y = model.predict_classes(x_test)
print(accuracy_score(y_test,y))
補充：model.fit_generator()詳細解讀
如下所示：
from keras import models
model = models.Sequential()
首先
利用keras，搭建順序模型，具體搭建步驟省略。完成搭建后，我們需要將數據送入模型進行訓練，送入數據的方式有很多種，models.fit_generator()是其中一種方式。
具體說，model.fit_generator()是利用生成器，分批次向模型送入數據的方式，可以有效節省單次內存的消耗。
具體函數形式如下：
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)
參數解釋：
generator:一般是一個生成器函數；
steps_per_epochs:是指在每個epoch中生成器執行生成數據的次數，若設定steps_per_epochs=100,這情況如下圖所示；
epochs:指訓練過程中需要迭代的次數；
verbose:默認值為1，是指在訓練過程中日志的顯示模式，取 1 時表示“進度條模式”，取2時表示“每輪一行”，取0時表示“安靜模式”；
validation_data, validation_steps指驗證集的情況，使用方式和generator, steps_per_epoch相同；
models.fit_generator()會返回一個history對象，history.history 屬性記錄訓練過程中，連續 epoch 訓練損失和評估值，以及驗證集損失和評估值，可以通過以下方式調取這些值！
acc = history.history["acc"]
val_acc = history.history["val_acc"]
loss = history.history["loss"]
val_loss = history.history["val_loss"]
以上為個人經驗，希望能給大家一個參考，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的簡單方法
- keras的get_value運行越來越慢的解決方案
- 基于keras中訓練數據的幾種方式對比(fit和fit_generator)
- Keras保存模型并載入模型繼續訓練的實現
- TensorFlow2.0使用keras訓練模型的實現
- tensorflow2.0教程之Keras快速入門
- 淺析關于Keras的安裝(pycharm)和初步理解
- 基于Keras的擴展性使用
