我正在尝试使用Keras训练神经网络。 我的训练集由数百万个稀疏向量组成。
为了进行训练，我使用了model.fit（）函数：
model.fit(X_train, y_train, ...)
但是，fit（）对密集数据进行操作。因此，为了使其工作 - 在向网络馈送矢量之前 - 我将它们转换为密集矢量。
问题是转换后数据变得太大而不再适合RAM。
我知道我可以使用batch_generator来为网络提供大量数据。但是，当我这样做时，我得到的结果（在测试集上）比仅在{strong>部分数据上没有batch_generator的情况下运行更糟糕（因此它确实适合RAM）。
我的问题是：有没有办法训练具有稀疏矢量的Keras神经网络，而不将它们转换为密集的？
答案 0 :(得分：0)
如果您能够使用Lasagne代替Keras，您可以查看this Multilayer Perceptron class，它非常易于配置且易于理解。
支持密集和稀疏矩阵
支持辍学和隐藏图层
支持完整的概率分布而不是单热标签，因此支持多标签培训。
支持像API一样学习scikit（适合，预测，准确等）
配置和修改非常简单