admin 管理员组文章数量: 887032
Tensorflow 2.* 网络训练(二) fit(x, y, batch
在完成数据集合，网络搭建、以及训练编译设置以后，最后就是要开始训练（拟合）网络
tf.keras.Model.fit
如下fit的参数是相对比较多的，且参数间相互关系较为复杂
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, validation_batch_size=None, validation_freq=1,max_queue_size=10, workers=1, use_multiprocessing=False
)
x,y
分别对应网络的input和target data，支持如下的数据输入格式，但是必须保证x和y的格式一致。
- Numpy array，或者 Numpy array列表
- Tensorflow tensor ，或者Tensorflow tenso列表
- 字典，name为网络Input层的name，数据为input layer name对应的Numpy array或Tensorflow tensor
- tf.data.dataset， 返回(inputs, targets) or (inputs, targets, sample_weights) 如何创建tf.data.dataset参考博文
- 生成器generator 或者 keras.utils.Sequence，返回(inputs, targets) or (inputs, targets, sample_weights)如何创建生成器参考博文
注：前三种情况适用于数据集合不大，可一次性读入内存的情况，后两种适用于大样本数据集合。
batch_size
对于x,y非5的数据集格式，定义每次训练的批量数（整数型），默认为32。
epochs
训练模型的次数，一个epoch表示x,y中完整数据迭代完一次。
注意在与initial_epoch配合适用时，epoch表示训练到第几个epoch结束，即“final epoch”，而非需要训练多少eopochs
verbose
verbose：日志显示
verbose = 0 为不在标准输出流输出日志信息
verbose = 1 为输出进度条记录(默认)
verbose = 2 为每个epoch输出一行记录
validation_split
对于x,y非4和5的数据集格式，0到1之间的浮点数，即此部分的数据被划分验证集。数据集中序列靠后的数据进行划分
validation_data
优先级高于validation_split，定义验证集合，用于每组epoch训练集之后，在验证集上评价loss和metrics。格式(x_val, y_val) or (x_val, y_val, val_sample_weights)元组。
对于数据1和2，必须定义batch_size；
对于数据5，允许定义validation_steps ；
暂不支持数据3和5（适用fit_generator）;
shuffle
布尔型是否打乱数据集；
当数据类型为generator时，shuffle失效；
当step_per_epoch=None时，shuffle失效；
class_weight
告诉网络那类标签对于计算loss更为重要，需要pay more attention
字典类型，类索引（整数）：权重值（浮点型）
sample_weight
作用类似class_weight，对输入样本赋予权重
可以是与输入数据长度相同的1D numpy array ，也可以是 2D array with shape (samples, sequence_length)，其中sequence_length表示每个样本在时刻内的时间戳
initial_epoch
从第几epooch开始训练，适用于重启之前的训练
steps_per_epoch
网络训练过程中，每个epoch的step数（每个step表示代入batch_size的样本后网络，权值更新的过程）
默认值等于样本总数除以batch_size，对于无限迭代的数据集必须定义
numpy array类型不支持
validation_steps
效果类似steps_per_epoch，网络验证过程中，每次验证多少steps（多少组batch_size的数据代入网络验证）
默认值等于样本总数除以batch_size，只适用于设置validation_data参数且数据类型tf.data.dataset
注意，如果用于验证的集合只是总的验证集合的一部分，这一部分验证集是从开始切片，保证每次验证适用相同的。
- 适用generator每次都是随机的，无法保证从头
validation_batch_size
验证集中的batch_size，默认为batch_size设置
validation_freq
仅当validation_data设置时有效，表示训练完几组epoch后，进行验证。
也可以通过一个列表，表示在特定epoch后进行验证。
max_queue_size
对于数据类型5，运行最大队列数，默认为10。
- generator queue指？
wokers
对于数据类型5，允许运行最大线程数，默认为1，0表述generator在主线程运行。
- using process-based threading硬件线程数
use_multiprocessing
对于数据类型5,布尔型，True表示using process-based threading， 默认False
返回值history
history.history可以记录训练过程中，每个epoch中的training loss 和 metriic values，以及验证过程中 validation loss 和 metriic values
参考
官网API介绍
本文标签： Tensorflow 2*网络训练(二) fit(x Y batch
版权声明：本文标题：Tensorflow 2.*网络训练(二) fit(x, y, batch 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.freenas.com.cn/jishu/1687905617h155784.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。
发表评论