自定義時代循環中的Keras回調

我使用keras來訓練LSTM。輸入序列長度不同。可以說序列的長度在1到num_seq之間。因此，爲了使用一個批量大小I組序列通過在每個曆元長度> 1：自定義時代循環中的Keras回調

for epoch in xrange(nb_epochs): 
for i in range(1,num_seq): 
    X,y = get_sequences(length=i) 
    model.fit(X,y,batch_size=100,epochs=1, validation_split=0.1, callbacks=None)

因爲我使用自定義的環在曆元，其使用所述曆元信息不能正常工作的回調（例如張量板，歷史等）。什麼是解決這個問題的方法？有沒有一種方法可以說明適合功能，它現在的時代呢？

來源

2017-05-04 Merlin1896

您是否嘗試過'fit'方法的'initial_epoch'參數？也許它會滿足你的需求。 –

如果你想恢復訓練，我認爲initial_epoch可以工作。如果你想訓練100個紀元，在50之後停止，然後想繼續，那麼你會想將initial_epoch設置爲50（或51）。不過，我認爲這隻適用於'epochs'>'initial_epoch' – Merlin1896

此外，設置initial_epoch並沒有考慮到更改學習率，我猜。 – Merlin1896

在訓練，你應該逐步使用model.train_on_batch或在做對你的訓練數據操作 - 更好的 - 使用fit_generator它可以讓你定義一個python發生器，可產生(x,y)元組每個批次。然後，這也照顧到了回調的正確調用。

例如：

def train_gen(): 
    while True: 
     for i in range(1,num_seq): 
      X,y = get_sequences(length=i) 
      yield X, y 
model.fit_generator(train_gen, steps_per_epoch=num_seq)

這種方法的缺點是，你必須自己做配料，也必須提供驗證分裂自己，你可以用一臺發電機做的一樣好（因此你可以重用大部分代碼）。

來源

2017-05-04 10:26:40 nemo

使用'model.train_on_batch（）'而不是'model.fit'（），有什麼好處？擬合生成器方法看起來真的很平穩。感謝提示！ – Merlin1896

自定義時代循環中的Keras回調

回答

相關問題