נספח: אימון אצווה

יכול להיות שמערכי נתונים גדולים מאוד לא יתאימו לזיכרון שהוקצה לתהליך שלכם. ב השלבים הקודמים, הגדרנו צינור עיבוד נתונים שבו נעביר את כל מערך הנתונים לזיכרון, להכין את הנתונים ולהעביר את מערך העבודה לאימון מותאמת אישית. במקום זאת, Keras מספק פונקציית אימון חלופית (fit_generator) ששולפת את הנתונים באצוות. כך נוכל להחיל את הטרנספורמציות את צינור הנתונים רק לחלק קטן (כפולה של batch_size) מהנתונים. במהלך הניסויים שלנו השתמשנו בקיבוץ באצווה (קוד ב-GitHub) למערכי נתונים כמו DBPedia, Amazon reviews, Ag news ו-Yelp reviews.

הקוד הבא ממחיש איך ליצור קבוצות נתונים ולהזין אותן fit_generator

def _data_generator(x, y, num_features, batch_size):
    """Generates batches of vectorized texts for training/validation.

    # Arguments
        x: np.matrix, feature matrix.
        y: np.ndarray, labels.
        num_features: int, number of features.
        batch_size: int, number of samples per batch.

    # Returns
        Yields feature and label data in batches.
    """
    num_samples = x.shape[0]
    num_batches = num_samples // batch_size
    if num_samples % batch_size:
        num_batches += 1

    while 1:
        for i in range(num_batches):
            start_idx = i * batch_size
            end_idx = (i + 1) * batch_size
            if end_idx > num_samples:
                end_idx = num_samples
            x_batch = x[start_idx:end_idx]
            y_batch = y[start_idx:end_idx]
            yield x_batch, y_batch

# Create training and validation generators.
training_generator = _data_generator(
    x_train, train_labels, num_features, batch_size)
validation_generator = _data_generator(
    x_val, val_labels, num_features, batch_size)

# Get number of training steps. This indicated the number of steps it takes
# to cover all samples in one epoch.
steps_per_epoch = x_train.shape[0] // batch_size
if x_train.shape[0] % batch_size:
    steps_per_epoch += 1

# Get number of validation steps.
validation_steps = x_val.shape[0] // batch_size
if x_val.shape[0] % batch_size:
    validation_steps += 1

# Train and validate model.
history = model.fit_generator(
    generator=training_generator,
    steps_per_epoch=steps_per_epoch,
    validation_data=validation_generator,
    validation_steps=validation_steps,
    callbacks=callbacks,
    epochs=epochs,
    verbose=2)  # Logs once per epoch.