Orphee Faucoz
2020-01-31 19:47
是的，可以，这很奇怪，它不在文档中，但其工作原理与x参数完全相同，您也可以使用a keras.Sequence或a generator。在我的项目中，我经常使用keras.Sequence它，就像发电机一样
最小工作示例，表明它可以工作：
import numpy as np
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense, Flatten
def generator(batch_size): # Create empty arrays to contain batch of features and labels
batch_features = np.zeros((batch_size, 1000))
batch_labels = np.zeros((batch_size,1))
while True:
for i in range(batch_size):
yield batch_features, batch_labels
model = Sequential()
model.add(Dense(125, input_shape=(1000,), activation='relu'))
model.add(Dense(8, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
train_generator = generator(64)
validation_generator = generator(64)
model.fit(train_generator, validation_data=validation_generator, validation_steps=100, epochs=100, steps_per_epoch=100)
100/100 [=============================]-1s 13ms / step-损耗：0.6689-精度：1.0000-val_loss ：0.6448-val_accuracy：1.000时间段2/100 100/100 [==============================]-0s 4ms / step -损失：0.6223-准确性：1.000-val损失：0.6000-val_accuracy：1.0000时期3/100 100/100 [========================= ====]-0s 4ms /步-损耗：0.5792-精度：1.0000-val_loss：0.5586-val_accuracy：1.0000时元4/100 100/100 [================= =============]-0s 4ms / step-损耗：0.5393-精度：1.0000-val_loss：0.5203-val_accuracy：1.0000
热门帖子
相关问题
热门github
1
2
4
The Python Risk Identification Tool for generative AI (PyRIT) is an open access automation framework to empower security professionals and machine learning engineers to proactively find risks in their generative AI systems.
(翻译：用于生成式 AI 的 Python 风险识别工具 (PyRIT) 是一个开放式访问自动化框架，使安全专业人员和机器学习工程师能够主动发现其生成式 AI 系统中的风险。)
5
7
8
9
Mamba is a new state space model architecture showing promising performance on information-dense data such as language modeling, where previous subquadratic models fall short of Transformers. It is based on the line of progress on structured state space models, with an efficient hardware-aware design and implementation in the spirit of FlashAttention.
(翻译：Mamba 是一种新的状态空间模型架构，在信息密集型数据（例如语言建模）上显示出良好的性能，而之前的二次模型在 Transformers 方面存在不足。它基于结构化状态空间模型的进展，并本着FlashAttention的精神进行高效的硬件感知设计和实现。)
10
11
13
validation_data可以是GeneratorEnqueuer吗？从源代码tensorflow.keras我发现validation_data可能是
iterator_ops.Iterator，iterator_ops.OwnedIterator，dataset_ops.DatasetV2，data_utils.Sequence不完全是，您需要
GeneratorEnqueuer在生成器（ge = GeneratorEnqueuer(generator(64))）上启动，然后start在您的工作人员或其他任何对象上启动，ge.start()最后get将生成的生成器output_generator = ge.get()放置在模型上fit。fit（output_generator，epochs = 5，steps_per_epoch = 5）正如您所说，我知道train_dataset可以是GeneratorEnqueuer。我在这里问的是，validation_dataset是否可以是GeneratorEnqueuer？我尝试了一下，发现对于train_data来说，它可以工作。但是对于validation_data，它不起作用。