關(guān)于Keras中，當數(shù)據(jù)比較大時，不能全部載入內(nèi)存，在訓練的時候就需要利用train_on_batch或fit_generator進行訓練了。

兩者均是利用生成器，每次載入一個batch-size的數(shù)據(jù)進行訓練。

那么fit_generator與train_on_batch該用哪一個呢？

train_on_batch(self, x, y, class_weight=None, sample_weight=None)

fit_generator(self, generator, samples_per_epoch, nb_epoch, verbose=1, callbacks=[], validation_data=None, nb_val_samples=None, class_weight=None, max_q_size=10)

推薦使用fit_generator，因為其同時可以設置 validation_data，但是采用train_on_batch也沒什么問題，這個主要看個人習慣了，沒有什么標準的答案。

下面是François Chollet fchollet本人給出的解答：

With fit_generator, you can use a generator for the validation data as well. In general I would recommend using fit_generator, but using train_on_batch works fine too. These methods only exist as for the sake of convenience in different use cases, there is no "correct" method.

補充知識：tf.keras中model.fit_generator()和model.fit()

首先Keras中的fit()函數(shù)傳入的x_train和y_train是被完整的加載進內(nèi)存的,當然用起來很方便，但是如果我們數(shù)據(jù)量很大，那么是不可能將所有數(shù)據(jù)載入內(nèi)存的，必將導致內(nèi)存泄漏，這時候我們可以用fit_generator函數(shù)來進行訓練。

fit(x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0, steps_per_epoch=None, validation_steps=None)

以給定數(shù)量的輪次（數(shù)據(jù)集上的迭代）訓練模型。

參數(shù)

x: 訓練數(shù)據(jù)的 Numpy 數(shù)組（如果模型只有一個輸入）， 或者是 Numpy 數(shù)組的列表（如果模型有多個輸入）。 如果模型中的輸入層被命名，你也可以傳遞一個字典，將輸入層名稱映射到 Numpy 數(shù)組。 如果從本地框架張量饋送（例如 TensorFlow 數(shù)據(jù)張量）數(shù)據(jù)，x 可以是 None（默認）。

y: 目標（標簽）數(shù)據(jù)的 Numpy 數(shù)組（如果模型只有一個輸出）， 或者是 Numpy 數(shù)組的列表（如果模型有多個輸出）。 如果模型中的輸出層被命名，你也可以傳遞一個字典，將輸出層名稱映射到 Numpy 數(shù)組。 如果從本地框架張量饋送（例如 TensorFlow 數(shù)據(jù)張量）數(shù)據(jù)，y 可以是 None（默認）。

batch_size: 整數(shù)或 None。每次梯度更新的樣本數(shù)。如果未指定，默認為 32。

epochs: 整數(shù)。訓練模型迭代輪次。一個輪次是在整個 x 和 y 上的一輪迭代。 請注意，與 initial_epoch 一起，epochs 被理解為 「最終輪次」。模型并不是訓練了 epochs 輪，而是到第 epochs 輪停止訓練。

verbose: 0, 1 或 2。日志顯示模式。 0 = 安靜模式, 1 = 進度條, 2 = 每輪一行。

callbacks: 一系列的 keras.callbacks.Callback 實例。一系列可以在訓練時使用的回調(diào)函數(shù)。 詳見 callbacks。

validation_split: 0 和 1 之間的浮點數(shù)。用作驗證集的訓練數(shù)據(jù)的比例。 模型將分出一部分不會被訓練的驗證數(shù)據(jù)，并將在每一輪結(jié)束時評估這些驗證數(shù)據(jù)的誤差和任何其他模型指標。 驗證數(shù)據(jù)是混洗之前 x 和y 數(shù)據(jù)的最后一部分樣本中。

validation_data: 元組 (x_val，y_val) 或元組 (x_val，y_val，val_sample_weights)， 用來評估損失，以及在每輪結(jié)束時的任何模型度量指標。 模型將不會在這個數(shù)據(jù)上進行訓練。這個參數(shù)會覆蓋 validation_split。

shuffle: 布爾值（是否在每輪迭代之前混洗數(shù)據(jù)）或者 字符串 (batch)。 batch 是處理 HDF5 數(shù)據(jù)限制的特殊選項，它對一個 batch 內(nèi)部的數(shù)據(jù)進行混洗。 當 steps_per_epoch 非 None 時，這個參數(shù)無效。

class_weight: 可選的字典，用來映射類索引（整數(shù)）到權(quán)重（浮點）值，用于加權(quán)損失函數(shù)（僅在訓練期間）。 這可能有助于告訴模型 「更多關(guān)注」來自代表性不足的類的樣本。

sample_weight: 訓練樣本的可選 Numpy 權(quán)重數(shù)組，用于對損失函數(shù)進行加權(quán)（僅在訓練期間）。 您可以傳遞與輸入樣本長度相同的平坦（1D）Numpy 數(shù)組（權(quán)重和樣本之間的 1:1 映射）， 或者在時序數(shù)據(jù)的情況下，可以傳遞尺寸為 (samples, sequence_length) 的 2D 數(shù)組，以對每個樣本的每個時間步施加不同的權(quán)重。 在這種情況下，你應該確保在 compile() 中指定 sample_weight_mode=“temporal”。

initial_epoch: 整數(shù)。開始訓練的輪次（有助于恢復之前的訓練）。

steps_per_epoch: 整數(shù)或 None。 在聲明一個輪次完成并開始下一個輪次之前的總步數(shù)（樣品批次）。 使用 TensorFlow 數(shù)據(jù)張量等輸入張量進行訓練時，默認值 None 等于數(shù)據(jù)集中樣本的數(shù)量除以 batch 的大小，如果無法確定，則為 1。

validation_steps: 只有在指定了 steps_per_epoch 時才有用。停止前要驗證的總步數(shù)（批次樣本）。

返回

一個 History 對象。其 History.history 屬性是連續(xù) epoch 訓練損失和評估值，以及驗證集損失和評估值的記錄（如果適用）。

異常

fit_generator(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)

使用 Python 生成器（或 Sequence 實例）逐批生成的數(shù)據(jù)，按批次訓練模型。

生成器與模型并行運行，以提高效率。 例如，這可以讓你在 CPU 上對圖像進行實時數(shù)據(jù)增強，以在 GPU 上訓練模型。

keras.utils.Sequence 的使用可以保證數(shù)據(jù)的順序， 以及當 use_multiprocessing=True 時 ，保證每個輸入在每個 epoch 只使用一次。

參數(shù)

generator: 一個生成器，或者一個 Sequence (keras.utils.Sequence) 對象的實例， 以在使用多進程時避免數(shù)據(jù)的重復。 生成器的輸出應該為以下之一：

一個 (inputs, targets) 元組

一個 (inputs, targets, sample_weights) 元組。

這個元組（生成器的單個輸出）組成了單個的 batch。 因此，這個元組中的所有數(shù)組長度必須相同（與這一個 batch 的大小相等）。 不同的 batch 可能大小不同。 例如，一個 epoch 的最后一個 batch 往往比其他 batch 要小， 如果數(shù)據(jù)集的尺寸不能被 batch size 整除。 生成器將無限地在數(shù)據(jù)集上循環(huán)。當運行到第 steps_per_epoch 時，記一個 epoch 結(jié)束。

steps_per_epoch: 在聲明一個 epoch 完成并開始下一個 epoch 之前從 generator 產(chǎn)生的總步數(shù)（批次樣本）。 它通常應該等于你的數(shù)據(jù)集的樣本數(shù)量除以批量大小。 對于 Sequence，它是可選的：如果未指定，將使用len(generator) 作為步數(shù)。

epochs: 整數(shù)。訓練模型的迭代總輪數(shù)。一個 epoch 是對所提供的整個數(shù)據(jù)的一輪迭代，如 steps_per_epoch 所定義。注意，與 initial_epoch 一起使用，epoch 應被理解為「最后一輪」。模型沒有經(jīng)歷由 epochs 給出的多次迭代的訓練，而僅僅是直到達到索引 epoch 的輪次。

verbose: 0, 1 或 2。日志顯示模式。 0 = 安靜模式, 1 = 進度條, 2 = 每輪一行。

callbacks: keras.callbacks.Callback 實例的列表。在訓練時調(diào)用的一系列回調(diào)函數(shù)。

validation_data: 它可以是以下之一：

驗證數(shù)據(jù)的生成器或 Sequence 實例

一個 (inputs, targets) 元組

一個 (inputs, targets, sample_weights) 元組。

在每個 epoch 結(jié)束時評估損失和任何模型指標。該模型不會對此數(shù)據(jù)進行訓練。

validation_steps: 僅當 validation_data 是一個生成器時才可用。 在停止前 generator 生成的總步數(shù)（樣本批數(shù)）。 對于 Sequence，它是可選的：如果未指定，將使用 len(generator) 作為步數(shù)。

class_weight: 可選的將類索引（整數(shù)）映射到權(quán)重（浮點）值的字典，用于加權(quán)損失函數(shù)（僅在訓練期間）。 這可以用來告訴模型「更多地關(guān)注」來自代表性不足的類的樣本。

max_queue_size: 整數(shù)。生成器隊列的最大尺寸。 如未指定，max_queue_size 將默認為 10。

workers: 整數(shù)。使用的最大進程數(shù)量，如果使用基于進程的多線程。 如未指定，workers 將默認為 1。如果為 0，將在主線程上執(zhí)行生成器。

use_multiprocessing: 布爾值。如果 True，則使用基于進程的多線程。 如未指定， use_multiprocessing 將默認為 False。 請注意，由于此實現(xiàn)依賴于多進程，所以不應將不可傳遞的參數(shù)傳遞給生成器，因為它們不能被輕易地傳遞給子進程。

shuffle: 是否在每輪迭代之前打亂 batch 的順序。 只能與 Sequence (keras.utils.Sequence) 實例同用。

initial_epoch: 開始訓練的輪次（有助于恢復之前的訓練）。

返回

一個 History 對象。其 History.history 屬性是連續(xù) epoch 訓練損失和評估值，以及驗證集損失和評估值的記錄（如果適用）。

異常

ValueError: 如果生成器生成的數(shù)據(jù)格式不正確。

model.fit_generator(
  train_generator,
  steps_per_epoch=10, # 100
  validation_steps=1, # 50
  epochs=600, # 20個周期
  validation_data=validation_generator)

以上這篇Keras之fit_generator與train_on_batch用法就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。

最新評論