fit_generator 是 keras 提供的用來進行批次訓練的函式，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)

引數說明：

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。

這個元組（生成器的單個輸出）組成了單個的 batch。 因此，這個元組中的所有陣列長度必須相同（與這一個 batch 的大小相等）。 不同的 batch 可能大小不同。 例如，一個 epoch 的最後一個 batch 往往比其他 batch 要小， 如果資料集的尺寸不能被 batch size 整除。 生成器將無限地在資料集上迴圈。當執行到第steps_per_epoch 時，記一個 epoch 結束。

steps_per_epoch: 在宣告一個 epoch 完成並開始下一個 epoch 之前從 generator產生的總步數（批次樣本）。 它通常應該等於你的資料集的樣本數量除以批量大小。 對於Sequence，它是可選的：如果未指定，將使用len(generator)作為步數。

epochs: 整數。訓練模型的迭代總輪數。一個 epoch 是對所提供的整個資料的一輪迭代，如 steps_per_epoch 所定義。注意，與 initial_epoch 一起使用，epoch 應被理解為「最後一輪」。模型沒有經歷由 epochs 給出的多次迭代的訓練，而僅僅是直到達到索引 epoch 的輪次。

verbose: 0,1 或 2。日誌顯示模式。 0 = 安靜模式,1 = 進度條,2 = 每輪一行。

callbacks: keras.callbacks.Callback 例項的列表。在訓練時呼叫的一系列回撥函式。

validation_data: 它可以是以下之一：

驗證資料的生成器或Sequence例項

一個(inputs,targets) 元組

一個(inputs,sample_weights) 元組。

在每個 epoch 結束時評估損失和任何模型指標。該模型不會對此資料進行訓練。

validation_steps: 僅當 validation_data 是一個生成器時才可用。 在停止前 generator 生成的總步數（樣本批數）。 對於 Sequence，它是可選的：如果未指定，將使用 len(generator) 作為步數。

class_weight: 可選的將類索引（整數）對映到權重（浮點）值的字典，用於加權損失函式（僅在訓練期間）。 這可以用來告訴模型「更多地關注」來自代表性不足的類的樣本。

max_queue_size: 整數。生成器佇列的最大尺寸。 如未指定，max_queue_size 將預設為 10。

workers: 整數。使用的最大程序數量，如果使用基於程序的多執行緒。 如未指定，workers 將預設為 1。如果為 0，將在主執行緒上執行生成器。

use_multiprocessing: 布林值。如果 True，則使用基於程序的多執行緒。 如未指定， use_multiprocessing 將預設為 False。 請注意，由於此實現依賴於多程序，所以不應將不可傳遞的引數傳遞給生成器，因為它們不能被輕易地傳遞給子程序。

shuffle: 是否在每輪迭代之前打亂 batch 的順序。 只能與 Sequence (keras.utils.Sequence) 例項同用。

initial_epoch: 開始訓練的輪次（有助於恢復之前的訓練）。

補充知識：Keras中fit_generator 的多個分支輸入時，需注意generator的格式 以及 輸入序列的順序

需要注意迭代器 yeild返回不能是[x1,x2],y 這樣，而是要完整的字典格式的：

yield ({'input_1': x1,'input_2': x2},{'output': y})

這也不算坑 追進去 fit_generator也能看到示例

def generate_batch(x_train,y_train,batch_size,x_train2,randomFlag=True):
 ylen = len(y_train)
 loopcount = ylen // batch_size
 i=-1
 while True:
  if randomFlag:
   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: 因為要是tuple yield後的括號不能省

需注意的坑1是，validation data中如果用【】組成陣列進行輸入，是要按順序的，按編譯model前的設定model = Model(inputs=[simInput,lstmInput,bgInput],outputs=predictions)，中陣列的順序來編譯

需注意的坑2是，多輸入input時，以後都用 inputs1=Input(batch_shape=(batchSize,TPeriod,dimIn,),name='input1LSTM')指定batchSize，不然跟stateful lstm結合時，會提示不匹配。

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) # Fit the LSTM network/擬合LSTM網路

以上這篇keras和tensorflow使用fit_generator 批次訓練操作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。