在Keras中有很多個(gè)兩個(gè)函數(shù)是名稱和功能相似的情況，其中fit和fit_generator這兩個(gè)函數(shù)也是這種情況。那么Keras的fit函數(shù)和fit_generator函數(shù)有什么區(qū)別呢？接下來這篇文章告訴你！
1、fit和fit_generator的區(qū)別
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(jìn)內(nèi)存的,當(dāng)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(dǎo)致內(nèi)存泄漏，這時(shí)候我們可以用fit_generator函數(shù)來進(jìn)行訓(xùn)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(gè)數(shù)據(jù)集要被輪多少次，batch_size是指這個(gè)數(shù)據(jù)集被分成多少個(gè)batch進(jìn)行處理。
最后可以給出交叉驗(yàn)證集的大小，這里的0.2是指在訓(xùn)練集上占比20%。
fit_generator函數(shù)必須傳入一個(gè)生成器，我們的訓(xùn)練數(shù)據(jù)也是通過生成器產(chǎn)生的，下面給出一個(gè)簡單的生成器函數(shù)：
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(shù)我產(chǎn)生的是一個(gè)batch_size為128大小的數(shù)據(jù)，這只是一個(gè)demo。如果我在生成器里沒有規(guī)定batch_size的大小，就是每次產(chǎn)生一個(gè)數(shù)據(jù)，那么在用fit_generator時(shí)候里面的參數(shù)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(shù)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(qū)別
首先batch_size = 數(shù)據(jù)集大小/steps_per_epoch的，如果我們在生成函數(shù)里設(shè)置了batch_size的大小，那么在fit_generator傳參的時(shí)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(bǔ)充：model.fit_generator()詳細(xì)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(shù)據(jù)送入模型進(jìn)行訓(xùn)練，送入數(shù)據(jù)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(shù)據(jù)的方式，可以有效節(jié)省單次內(nèi)存的消耗。
具體函數(shù)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(shù)解釋：
generator:一般是一個(gè)生成器函數(shù)；
steps_per_epochs:是指在每個(gè)epoch中生成器執(zhí)行生成數(shù)據(jù)的次數(shù)，若設(shè)定steps_per_epochs=100,這情況如下圖所示；
epochs:指訓(xùn)練過程中需要迭代的次數(shù)；
verbose:默認(rèn)值為1，是指在訓(xùn)練過程中日志的顯示模式，取 1 時(shí)表示“進(jìn)度條模式”，取2時(shí)表示“每輪一行”，取0時(shí)表示“安靜模式”；
validation_data, validation_steps指驗(yàn)證集的情況，使用方式和generator, steps_per_epoch相同；
models.fit_generator()會(huì)返回一個(gè)history對(duì)象，history.history 屬性記錄訓(xùn)練過程中，連續(xù) epoch 訓(xùn)練損失和評(píng)估值，以及驗(yàn)證集損失和評(píng)估值，可以通過以下方式調(diào)取這些值！
acc = history.history["acc"] val_acc = history.history["val_acc"] loss = history.history["loss"] val_loss = history.history["val_loss"]
以上就是Keras的fit函數(shù)和fit_generator函數(shù)有什么區(qū)別的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持W3Cschool。
