循环使用model.fit in Keras是否合乎逻辑？

为了不耗尽内存，在Keras中执行以下操作是否合乎逻辑

['xaa'、'xab'、'xac'、'xad'中的路径的

：
x_列，y_列=准备_数据（路径）
model.fit（x_序列、y_序列、批量大小=50、历代数=20、随机数=True）
model.save（'model'）

是的，但更喜欢

模型。如果每次迭代都生成一个批次，则对批次进行培训。这消除了
fit
带来的一些开销

您还可以尝试创建生成器并使用
模型。安装生成器（）
：

def数据生成器（路径、批大小）：
虽然为True:#keras的生成器必须是无限的
对于路径中的路径：
x_列，y_列=准备_数据（路径）
totalSamps=x_列车形状[0]
批次=总样本//批次大小
如果totalSamps%批次大小>0：
批次+=1
对于范围内的批次（批次）：
截面=切片（批次*批次大小，（批次+1）*批次大小）
产量（x_列[区段]、y_列[区段]）

创建和使用：

gen = dataGenerator(['xaa', 'xab', 'xac', 'xad'], 50)
model.fit_generator(gen,
                    steps_per_epoch = expectedTotalNumberOfYieldsForOneEpoch
                    epochs = epochs)

---

我建议您在Github上看看这个

你确实可以考虑使用<代码>模型.FIT（）/<代码>，但是这样做会使训练更加稳定：

用于范围（20）内的历元：
对于['xaa'、'xab'、'xac'、'xad'中的路径：
x_列，y_列=准备_数据（路径）
模型拟合（x序列、y序列、批量大小=50、历元数=历元数+1、初始历元数=历元数、随机数=True）

这样，每个历元对所有数据迭代一次，而不是在切换之前对部分数据迭代20个历元

---

正如线程中所讨论的，另一个解决方案是开发您自己的数据生成器，并将其与

model.fit_generator（）

一起使用。非常感谢您，但您所说的“i”是什么意思？这不是“时代”吗？你说得对，谢谢你发现了我的错误。我更正了我的帖子。谢谢，但是“我”是什么？哈哈。。。与另一个答案中的错误完全相同：）--这是批处理。