keras和tensorflow使用fit_generator 批次训练操作
fit_generator是keras提供的用来进行批次训练的函数，使用方法如下：
model.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)
参数说明：
generator:一个生成器，或者一个Sequence(keras.utils.Sequence)对象的实例，以在使用多进程时避免数据的重复。生成器的输出应该为以下之一：
一个(inputs,targets)元组
一个(inputs,targets,sample_weights)元组。
这个元组（生成器的单个输出）组成了单个的batch。因此，这个元组中的所有数组长度必须相同（与这一个batch的大小相等）。不同的batch可能大小不同。例如，一个epoch的最后一个batch往往比其他batch要小，如果数据集的尺寸不能被batchsize整除。生成器将无限地在数据集上循环。当运行到第steps_per_epoch时，记一个epoch结束。
steps_per_epoch:在声明一个epoch完成并开始下一个epoch之前从generator产生的总步数（批次样本）。它通常应该等于你的数据集的样本数量除以批量大小。对于Sequence，它是可选的：如果未指定，将使用len(generator)作为步数。
epochs:整数。训练模型的迭代总轮数。一个epoch是对所提供的整个数据的一轮迭代，如steps_per_epoch所定义。注意，与initial_epoch一起使用，epoch应被理解为「最后一轮」。模型没有经历由epochs给出的多次迭代的训练，而仅仅是直到达到索引epoch的轮次。
verbose:0,1或2。日志显示模式。0=安静模式,1=进度条,2=每轮一行。
callbacks:keras.callbacks.Callback实例的列表。在训练时调用的一系列回调函数。
validation_data:它可以是以下之一：
验证数据的生成器或Sequence实例
一个(inputs,targets)元组
一个(inputs,targets,sample_weights)元组。
在每个epoch结束时评估损失和任何模型指标。该模型不会对此数据进行训练。
validation_steps:仅当validation_data是一个生成器时才可用。在停止前generator生成的总步数（样本批数）。对于Sequence，它是可选的：如果未指定，将使用len(generator)作为步数。
class_weight:可选的将类索引（整数）映射到权重（浮点）值的字典，用于加权损失函数（仅在训练期间）。这可以用来告诉模型「更多地关注」来自代表性不足的类的样本。
max_queue_size:整数。生成器队列的最大尺寸。如未指定，max_queue_size将默认为10。
workers:整数。使用的最大进程数量，如果使用基于进程的多线程。如未指定，workers将默认为1。如果为0，将在主线程上执行生成器。
use_multiprocessing:布尔值。如果True，则使用基于进程的多线程。如未指定，use_multiprocessing将默认为False。请注意，由于此实现依赖于多进程，所以不应将不可传递的参数传递给生成器，因为它们不能被轻易地传递给子进程。
shuffle:是否在每轮迭代之前打乱batch的顺序。只能与Sequence(keras.utils.Sequence)实例同用。
initial_epoch:开始训练的轮次（有助于恢复之前的训练）。
补充知识：Keras中fit_generator的多个分支输入时，需注意generator的格式以及输入序列的顺序
需要注意迭代器yeild返回不能是[x1,x2],y这样，而是要完整的字典格式的：
yield({'input_1':x1,'input_2':x2},{'output':y})
这也不算坑追进去fit_generator也能看到示例
defgenerate_batch(x_train,y_train,batch_size,x_train2,randomFlag=True):
ylen=len(y_train)
loopcount=ylen//batch_size
i=-1
whileTrue:
ifrandomFlag:
i=random.randint(0,loopcount-1)
else:
i=i+1
i=i%loopcount
yield({'lstmInput':x_train[i*batch_size:(i+1)*batch_size],
'bgInput':x_train2[i*batch_size:(i+1)*batch_size]},
{'prediction':y_train[i*batch_size:(i+1)*batch_size]})
ps:因为要是tupleyield后的括号不能省
需注意的坑1是，validationdata中如果用【】组成数组进行输入，是要按顺序的，按编译model前的设置model=Model(inputs=[simInput,lstmInput,bgInput],outputs=predictions)，中数组的顺序来编译
需注意的坑2是，多输入input时，以后都用inputs1=Input(batch_shape=(batchSize,TPeriod,dimIn,),name='input1LSTM')指定batchSize，不然跟statefullstm结合时，会提示不匹配。
history=model.fit_generator(generate_batch(trainX,trainY,batchSize,trainX2), steps_per_epoch=len(trainX)//batchSize, validation_data=([testX,testX2],testY), epochs=epochs, callbacks=[tensorboard,checkpoint],initial_epoch=0,verbose=1)#FittheLSTMnetwork/拟合LSTM网络
以上这篇keras和tensorflow使用fit_generator批次训练操作就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。