Keras 的 fit_generator 中 nb_epoch 的目的是什么？

Question

似乎我可以通过将 num_samples 变大并保持 nb_epoch=1 来获得完全相同的结果。我认为多个 epoch 的目的是多次迭代相同的数据，但 Keras 并没有在每个 epoch 结束时重新实例化生成器。它只是继续前进。例如训练这个自动编码器：

import numpy as np
from keras.layers import (Convolution2D, MaxPooling2D, 
    UpSampling2D, Activation)
from keras.models import Sequential

rand_imgs = [np.random.rand(1, 100, 100, 3) for _ in range(1000)]

def keras_generator():
    i = 0
    while True:
        print(i)
        rand_img = rand_imgs[i]
        i += 1
        yield (rand_img, rand_img)


layers = ([
    Convolution2D(20, 5, 5, border_mode='same', 
        input_shape=(100, 100, 3), activation='relu'),

    MaxPooling2D((2, 2), border_mode='same'),

    Convolution2D(3, 5, 5, border_mode='same', activation='relu'),

    UpSampling2D((2, 2)),

    Convolution2D(3, 5, 5, border_mode='same', activation='relu')])

autoencoder = Sequential()
for layer in layers:
    autoencoder.add(layer)

gen = keras_generator()
autoencoder.compile(optimizer='adadelta', loss='binary_crossentropy')
history = autoencoder.fit_generator(gen, samples_per_epoch=100, nb_epoch=2)

似乎我用 (samples_per_epoch=100, nb_epoch=2) 得到的结果和我用 (samples_per_epoch=200, nb_epoch= 1).我是否按预期使用 fit_generator？

Answer 1

是的 - 你是对的，当使用 keras.fit_generator 时，这两种方法是等价的。但是 - 保留 epochs 是合理的原因有多种：

日志记录： 在这种情况下 epoch 包含数据量，之后您要记录一些关于训练的重要统计数据（例如最后的时间或损失）时代的）。
保持目录结构 当您使用生成器从硬盘加载数据时 - 在这种情况下 - 当您知道目录中有多少文件时 - 您可以调整batch_size 和 nb_epoch 到这样的值，epoch 将包括遍历数据集中的每个示例。
在使用 flow 生成器时保持数据结构 - 在这种情况下，当你有例如一组图片加载到您的 Python 并且您想使用 Keras.ImageDataGenerator 应用不同类型的数据转换，设置 batch_size 和 nb_epoch数据集中的每个示例都可以帮助您跟踪训练过程的进度。

Keras 的 fit_generator 中 nb_epoch 的目的是什么？

What's the purpose of nb_epoch in Keras's fit_generator?

training-data

neural-network

keras