浅谈Keras中fit()和fit_generator()的区别及其参数的坑_Python

1、fit和fit_generator的区别

首先Keras中的fit()函数传入的x_train和y_train是被完整的加载进内存的,当然用起来很方便，但是如果我们数据量很大，那么是不可能将所有数据载入内存的，必将导致内存泄漏，这时候我们可以用fit_generator函数来进行训练。

下面是fit传参的例子：

				?

									history = model.fit(x_train, y_train, epochs=10,batch_size=32, 

									                    validation_split=0.2)

这里需要给出epochs和batch_size，epoch是这个数据集要被轮多少次，batch_size是指这个数据集被分成多少个batch进行处理。

最后可以给出交叉验证集的大小，这里的0.2是指在训练集上占比20%。

fit_generator函数必须传入一个生成器，我们的训练数据也是通过生成器产生的，下面给出一个简单的生成器函数：

				?

									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

这里的生成器函数我产生的是一个batch_size为128大小的数据，这只是一个demo。如果我在生成器里没有规定batch_size的大小，就是每次产生一个数据，那么在用fit_generator时候里面的参数steps_per_epoch是不一样的。

这里的坑我困惑了好久，虽然不是什么大问题

下面是fit_generator函数的传参：

				?

									history = model.fit_generator(generator(),epochs=epochs,steps_per_epoch=len(x_train)//(batch_size*epochs))

2、batch_size和steps_per_epoch的区别

首先batch_size = 数据集大小/steps_per_epoch的，如果我们在生成函数里设置了batch_size的大小，那么在fit_generator传参的时候，,steps_per_epoch=len(x_train)//(batch_size*epochs)

我得完整demo代码：

				?

									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))

补充：model.fit_generator()详细解读

如下所示：

				?

									from keras import models

									model = models.Sequential()

首先

利用keras，搭建顺序模型，具体搭建步骤省略。完成搭建后，我们需要将数据送入模型进行训练，送入数据的方式有很多种，models.fit_generator()是其中一种方式。

具体说，model.fit_generator()是利用生成器，分批次向模型送入数据的方式，可以有效节省单次内存的消耗。

具体函数形式如下：

				?

									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)

参数解释：

generator:一般是一个生成器函数；

steps_per_epochs:是指在每个epoch中生成器执行生成数据的次数，若设定steps_per_epochs=100,这情况如下图所示；

浅谈Keras中fit()和fit_generator()的区别及其参数的坑

epochs:指训练过程中需要迭代的次数；

verbose:默认值为1，是指在训练过程中日志的显示模式，取 1 时表示“进度条模式”，取2时表示“每轮一行”，取0时表示“安静模式”；

validation_data, validation_steps指验证集的情况，使用方式和generator, steps_per_epoch相同；

models.fit_generator()会返回一个history对象，history.history 属性记录训练过程中，连续 epoch 训练损失和评估值，以及验证集损失和评估值，可以通过以下方式调取这些值！

				?

									acc = history.history["acc"]

									val_acc = history.history["val_acc"]

									loss = history.history["loss"]

									val_loss = history.history["val_loss"]