Dodatek: szkolenie wsadowe

Bardzo duże zbiory danych mogą nie mieścić się w pamięci przydzielonej dla Twojego procesu. W Skonfigurowaliśmy potok, w którym pobieramy cały zbiór danych, do pamięci, przygotować dane i przekazać zbiór roboczy do trenowania . Zamiast tego Keras zapewnia alternatywną funkcję trenowania (fit_generator) który pobiera dane partiami. Pozwoli nam to zastosować przekształcenia potoku danych do niewielkiej części danych (wielokrotność batch_size). W naszych eksperymentach korzystaliśmy z grupowania (kodu w GitHubie) na potrzeby takich zbiorów danych jak: DBPedia, DBPedia, DBPedia i DBPedia;

Ten kod ilustruje, jak wygenerować partie danych i przekazać je do 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.