machine-learning - 在循环中调用拟合与批量大小拟合之间有区别吗
问题描述
假设我在内存中有 32 个训练示例(批量大小为 32)。fit
在 for 循环中调用 32 次与batch_size=1
示例之间是否有区别?还是将所有经验放在一个数组中并调用fit
一次但batch_size=32
作为参数?结果或性能会有什么不同吗?
解决方案
for i in range(32):
model.fit(X,y,batch_size=1)
不要以这种方式训练你的模型。!您仅对最后一批进行有效培训(在您的情况下为最后一个样本)
但是,以下方法将向您保证该模型已针对所有样本进行了训练。所以总是这样训练它。
model.fit(X,y,batch_size=32)
如果您考虑使用“for 循环”,因为您无法一次将所有样本放入内存中,您应该尝试 fit_generator 或 fit_on_batch 方法。
推荐阅读
- javascript - CRM 9 - 使用 JavaScript WebResource 根据 ID 从 CRM 实体中获取记录
- android - 如何从 Android Studio 为 Flutter 构建签名的 apk
- node.js - 如何强制节点等待 aws promise 解决?
- r - 如何计算 r 中变量的总和
- react-native - React Native Android 应用程序的发布版本在尝试通过 HTTPS 访问 API 时出现“一般网络错误”
- python - 如何修复“找不到页面(404)”错误(“Django 尝试了这些 URL 模式......空路径与这些都不匹配。”)
- mongodb - MongoDB 对不同类型但内容相同的字段进行 $lookup
- python - Kivy:在使用 ScreenManager 时如何在单独的屏幕中使用布局?
- r - 有没有一种方法可以使用带有 xmin 和 xmax 值的 geom_ribbon?
- typescript - 从两个联合/枚举计算类型