Question

作为一个更大项目的一部分，我正在编写一个小型的卷积2D模型来训练MNIST数据集上的神经网络。

我的（经典）工作流程如下：

加载数据集并将其转换为np array
将数据集拆分为培训和验证集
重塑（X_train.reshape(X.shape[0], 28, 28, 1)）和one_hot_encode（keras.utils.to_categorical(y_train, 10)）
获取模型
根据数据训练并保存

我的火车功能定义如下：

def train(model, X_train, y_train, X_val, y_val):
    model.fit_generator(
        generator=get_next_batch(X_train, y_train),
        steps_per_epoch=200,
        epochs=EPOCHS,
        validation_data=get_next_batch(X_val, y_val),
        validation_steps=len(X_val)
    )

    return model

我使用的发电机：

def get_next_batch(X, y):
    # Will contains images and labels
    X_batch = np.zeros((BATCH_SIZE, 28, 28, 1))
    y_batch = np.zeros((BATCH_SIZE, 10))

    while True:
        for i in range(0, BATCH_SIZE):
            random_index = np.random.randint(len(X))
            X_batch[i] = X[random_index]
            y_batch[i] = y[random_index]
        yield X_batch, y_batch

现在，实际上，它会训练，但它会在最后几步中停止：

Using TensorFlow backend.
Epoch 1/3
2018-04-18 19:25:08.170609: I tensorflow/core/platform/cpu_feature_guard.cc:140] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA
199/200 [============================>.] - ETA: 0s - loss:

然而，如果我不使用任何发电机：

def train(model, X_train, y_train, X_val, y_val):
    model.fit(
        X_train,
        y_train,
        batch_size=BATCH_SIZE,
        epochs=EPOCHS,
        verbose=1,
        validation_data=(X_val, y_val)
    )

    return model

完美无缺。

显然我的方法get_next_batch做错了，但我无法弄清楚原因。

任何帮助都会受到欢迎！

Answer 1

问题是您在生成器函数中创建了一个巨大的验证集。看看传递这些参数的地方......

    validation_data=get_next_batch(X_val, y_val),
    validation_steps=len(X_val)

假设您的BATCH_SIZE为1,000。所以你要拉1000张图像，然后运行1000次。

所以1,000 x 1,000 = 1,000,000。这是通过您的网络运行的图像数量，这需要很长时间。您可以将步骤更改为注释中提到的静态数字，我只是认为解释会有助于将其放在透视中。

Conv2D模型的训练卡住[MNIST数据集]

1 个答案: