python - 如何将 batch_size < num_sample 与 keras.model.fit 下的数据集一起使用？

Question

我的数据集如果用一批 1000 格式化为： 56x((1000,4,1),(1000,1)) ：

• 56 个元素
• 每个元素的形状为 (1000,4,1) 用于 x_training 和 (1000,1) 用于 y_label

当我使用 model.fit(dataset) 时，使用 1000 个样本来计算损失，迭代次数为每 epoch 56 次。所以每个 epoch 有 1000 步。

如何强制 keras 使用，例如 56 个样本来计算损失：我想做一些类似 model.fit(batch_size=56, dataset) 但使用数据集时不考虑 batch_size 的事情。

如果没有数据集，如果我使用两个张量并希望通过执行以下操作来使用 1000 的 batch_size：

• x_train : (56000,4,1)
• y_train：（56000）

我这样做：model.fit( batch_size=1000 , x=x_train, y=y_train)

然后它起作用了：只使用 56 个样本来计算损失，并且每个 epoch 仍然有 56 次迭代。所以似乎每个 epoch 使用了 1000 个样本。

总结：在每种情况下，每个 epoch 有 56 步，每个 epoch 使用 1000 个样本。但是使用数据集时，使用 1000 个采样来计算损失，没有它时只使用 56 个。

我是否对数据集使用了 56 个批次，它将生成 1000 个元素，因此拟合模型的总时间将是相同的......（每个 epoch 将执行 1000 步）

我想减少总计算，因为它在我不使用数据集时有效......

非常感谢你的帮助 ！

标签： pythonkeras