keras中訓(xùn)練數(shù)據(jù)的幾種方式對比(fit和fit_generator)

Keras訓(xùn)練數(shù)據(jù)可以采用很多種方式，其中比較常見的三種分別是fit、fit_generator和train_on_batch。第三種和前兩種差別比較大，所以本篇文章主要進(jìn)行fit和fit_generator的對比。

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，不占用大量內(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)允許我們在CPU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對象，在訓(xùn)練過程中會調(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)

以上就是Keras訓(xùn)練數(shù)據(jù)的三種方式的介紹，希望能給大家一個(gè)參考，也希望大家多多支持W3Cschool。