Question

在自回归连续问题中，如果零的位置过多，则可以将情况视为零膨胀问题（即ZIB）。换句话说，不是要拟合f(x)，而是要拟合g(x)*f(x)，其中f(x)是我们要近似的函数，即y和{{1} }是一个函数，根据值是零还是非零来输出介于0和1之间的值。

目前，我有两个模型。一个给我g(x)的模型，另一个给我g(x)的模型。

第一个模型给了我一组权重。这是我需要您帮助的地方。我可以将g(x)*f(x)参数和sample_weights一起使用。在处理大量数据时，需要使用model.fit()。但是，model.fit_generator()没有参数fit_generator()。

是否可以在sample_weights内使用sample_weights？否则，如果我已经为fit_generator()训练了模型，那么我怎么适合g(x)*f(x)？

Answer 1

您可以提供样本权重作为生成器返回的元组的第三个元素。摘自fit_generator上的Keras文档：

生成器：：生成器或Sequence（keras.utils.Sequence）对象的实例，以避免在使用多处理时重复数据。发生器的输出必须是


元组(inputs, targets)

元组(inputs, targets, sample_weights)。

更新：这是生成器的草图，该生成器返回输入的样本和目标以及从模型g(x)获得的样本权重：

def gen(args):
    while True:
        for i in range(num_batches):
            # get the i-th batch data
            inputs = ...
            targets = ...

            # get the sample weights
            weights = g.predict(inputs)

            yield inputs, targets, weights


model.fit_generator(gen(args), steps_per_epoch=num_batches, ...)

将sample_weights与fit_generator（）一起使用

1 个答案: