1、使用predict时，必须设置batch_size,否则效率奇低。
查看keras文档中，predict函数原型：
说明：
只使用batch_size=32，也就是说每次将batch_size=32的数据通过PCI总线传到GPU，然后进行预测。在一些问题中，batch_size=32明显是非常小的。而通过PCI传数据是非常耗时的。
所以，使用的时候会发现预测数据时效率奇低，其原因就是batch_size太小了。
经验：
使用predict时，必须人为设置好batch_size，否则PCI总线之间的数据传输次数过多，性能会非常低下。
说明：keras 中 fit_generator参数steps_per_epoch已经改变含义了，目前的含义是一个epoch分成多少个batch_size。旧版的含义是一个epoch的样本数目。
如果说训练样本树N=1000，steps_per_epoch = 10，那么相当于一个batch_size=100，如果还是按照旧版来设置，那么相当于
batch_size = 1，会性能非常低。
经验：
必须明确fit_generator参数steps_per_epoch
补充知识：Keras：创建自己的generator(适用于model.fit_generator)，解决内存问题
为什么要使用model.fit_generator？
在现实的机器学习中，训练一个model往往需要数量巨大的数据，如果使用fit进行数据训练，很有可能导致内存不够，无法进行训练。
fit_generator的定义如下：
其中各项的具体解释，请参考Keras中文文档
我们重点关注的是generator参数：
generator: 一个生成器，或者一个 Sequence (keras.utils.Sequence) 对象的实例， 以在使用多进程时避免数据的重复。 生成器的输出应该为以下之一：
一个 (inputs, targets) 元组
一个 (inputs, targets, sample_weights) 元组。
那么，问题来了，如何构建这个generator呢？有以下几种办法：
自己创建一个generator生成器
自己定义一个 Sequence (keras.utils.Sequence) 对象
使用Keras自带的ImageDataGenerator和.flow/.flow_from_dataframe/.flow_from_directory来生成一个generator
1.自己创建一个generator生成器
使用Keras自带的ImageDataGenerator和.flow/.flow_from_dataframe/.flow_from_directory 灵活度不高，只有当数据集满足一定格式（例如，按照分类文件夹存放）或者具备一定条件时，使用才使用才较为方便。
此时，自己创建一个generator就很重要了，关于python的generator是什么原理，怎么使用，就不加赘述，可以查看python的基本语法。
此处，我们用yield来返回数据组，标签组，从而使fit_generator可以调用我们的generator来成批处理数据。
具体实现如下：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
|
接着你可以调用该生成器：
以上这篇浅谈keras2 predict和fit_generator的坑就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/lujiandong1/article/details/73556163
本文链接：https://my.lmcjl.com/post/3841.html
4 评论