model.fit_generator()函數參數

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)

利用Python的生成器，逐個生成數據的batch并進行訓練。生成器與模型將并行執行以提高效率。例如，該函數允許我們在CPU上進行實時的數據提升，同時在GPU上進行模型訓練

函數的參數是：

• generator：生成器函數，生成器的輸出應該為：

  • 一個形如（inputs，targets）的tuple

  • 一個形如（inputs, targets,sample_weight）的tuple。所有的返回值都應該包含相同數目的樣本。生成器將無限在數據集上循環。每個epoch以經過模型的樣本數達到samples_per_epoch時，記一個epoch結束

• steps_per_epoch：整數，當生成器返回steps_per_epoch次數據時計一個epoch結束，執行下一個epoch

• epochs：整數，數據迭代的輪數

• verbose：日志顯示，0為不在標準輸出流輸出日志信息，1為輸出進度條記錄，2為每個epoch輸出一行記錄

• validation_data：具有以下三種形式之一

  • 生成驗證集的生成器

  • 一個形如（inputs,targets）的tuple

  • 一個形如（inputs,targets，sample_weights）的tuple

• validation_steps: 當validation_data為生成器時，本參數指定驗證集的生成器返回次數

• class_weight：規定類別權重的字典，將類別映射為權重，常用于處理樣本不均衡問題。

• sample_weight：權值的numpy array，用于在訓練時調整損失函數（僅用于訓練）。可以傳遞一個1D的與樣本等長的向量用于對樣本進行1對1的加權，或者在面對時序數據時，傳遞一個的形式為（samples，sequence_length）的矩陣來為每個時間步上的樣本賦不同的權。這種情況下請確定在編譯模型時添加了sample_weight_mode='temporal'。

• workers：最大進程數

• max_q_size：生成器隊列的最大容量

• pickle_safe: 若為真，則使用基于進程的線程。由于該實現依賴多進程，不能傳遞non picklable（無法被pickle序列化）的參數到生成器中，因為無法輕易將它們傳入子進程中。

• initial_epoch: 從該參數指定的epoch開始訓練，在繼續之前的訓練時有用。

?

generator生成器

def generate_arrays_from_file(path):while 1:f = open(path)for line in f:# create Numpy arrays of input data# and labels, from each line in the filex, y = process_line(line)yield (x, y)f.close()model.fit_generator(generate_arrays_from_file('/my_file.txt'),samples_per_epoch=10000, epochs=10)

總結

以上是生活随笔為你收集整理的2020-12-08 tensorflow model.fit_generator()函数参数的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。