1、使用predict時，必須設定batch_size,否則效率奇低。

檢視keras文件中，predict函式原型：

predict(self,x,batch_size=32,verbose=0)

說明：

只使用batch_size=32，也就是說每次將batch_size=32的資料通過PCI匯流排傳到GPU，然後進行預測。在一些問題中，batch_size=32明顯是非常小的。而通過PCI傳資料是非常耗時的。

所以，使用的時候會發現預測資料時效率奇低，其原因就是batch_size太小了。

經驗：

使用predict時，必須人為設定好batch_size，否則PCI匯流排之間的資料傳輸次數過多，效能會非常低下。

2、fit_generator

說明：keras 中 fit_generator引數steps_per_epoch已經改變含義了，目前的含義是一個epoch分成多少個batch_size。舊版的含義是一個epoch的樣本數目。

如果說訓練樣本樹N=1000，steps_per_epoch = 10，那麼相當於一個batch_size=100，如果還是按照舊版來設定，那麼相當於

batch_size = 1，會效能非常低。

經驗：

必須明確fit_generator引數steps_per_epoch

補充知識：Keras：建立自己的generator(適用於model.fit_generator)，解決記憶體問題

為什麼要使用model.fit_generator？

在現實的機器學習中，訓練一個model往往需要數量巨大的資料，如果使用fit進行資料訓練，很有可能導致記憶體不夠，無法進行訓練。

fit_generator的定義如下：

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)

其中各項的具體解釋，請參考Keras中文文件

我們重點關注的是generator引數：

generator: 一個生成器，或者一個 Sequence (keras.utils.Sequence) 物件的例項， 以在使用多程序時避免資料的重複。 生成器的輸出應該為以下之一：

一個 (inputs,targets) 元組

一個 (inputs,targets,sample_weights) 元組。

那麼，問題來了，如何構建這個generator呢？有以下幾種辦法：

自己建立一個generator生成器

自己定義一個 Sequence (keras.utils.Sequence) 物件

使用Keras自帶的ImageDataGenerator和.flow/.flow_from_dataframe/.flow_from_directory來生成一個generator

1.自己建立一個generator生成器

使用Keras自帶的ImageDataGenerator和.flow/.flow_from_dataframe/.flow_from_directory 靈活度不高，只有當資料集滿足一定格式（例如，按照分類資料夾存放）或者具備一定條件時，使用才使用才較為方便。

此時，自己建立一個generator就很重要了，關於python的generator是什麼原理，怎麼使用，就不加贅述，可以檢視python的基本語法。

此處，我們用yield來返回資料組，標籤組，從而使fit_generator可以呼叫我們的generator來成批處理資料。

具體實現如下：

  def myGenerator(batch_size):
    # loading data
    X_train,Y_train=load_data(...)
    
    # data processing
    # ................
    
    total_size=X_train.size
    #batch_size means how many data you want to train one step
    
    while 1:
      for i in range(total_size//batch_size):
        yield x_train[i*batch_size:(i+1)*batch_size],y[i*batch_size:(i+1)*batch_size]
  return myGenerator

接著你可以呼叫該生成器：

self._model.fit_generator(myGenerator(batch_size),steps_per_epoch=total_size//batch_size,epochs=epoch_num)

以上這篇淺談keras2 predict和fit_generator的坑就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。