批次大小对model.fit in keras中的迭代次数没有影响

我有一个简单的示范模型：

input_layer = Input(shape=(100,))
encoded = Dense(2, activation='relu')(input_layer)

X = np.ones((1000, 100))
Y = np.ones((1000, 2))
print(X.shape)

model = Model(input_layer, encoded)
model.compile(loss='categorical_crossentropy', optimizer='adam')
model.fit(x=X, y=Y, batch_size = 2)

输出为：

2.2.4
(1000, 100)
Epoch 1/1
1000/1000 [==============================] - 3s 3ms/step - loss: 1.3864

为什么一个历元中有1000次迭代（如输出所示）。 我尝试更改此选项，但没有更改输出。我想应该是1000/2=500。请解释我的理解有什么问题，以及如何正确设置批量大小

---

感谢它更改了批量大小，虽然您没有明确地将其视为一个步骤，但条形图的进度更快。不久前，我脑子里也有同样的问题

如果要明确查看每个步骤，可以使用

steps\u per\u epoch

和

validation\u steps

下面列出了一个示例

model.fit_generator(training_generator,
                        steps_per_epoch=steps_per_epoch,
                        epochs=epochs,
                        validation_data=validation_generator,
                        validation_steps=validation_steps)

在这种情况下，每个历元的步骤数=训练样本数/批次大小，而验证步骤数=训练样本数/批次大小

---

在培训过程中，您将看到500个步骤，而不是1000个步骤（前提是您有1000个培训样本，并且批大小为2）。

如果更改批大小，尽管您没有明确地将其视为一个步骤，但条形图的进度更快。不久前，我脑子里也有同样的问题

如果要明确查看每个步骤，可以使用

steps\u per\u epoch

和

validation\u steps

下面列出了一个示例

model.fit_generator(training_generator,
                        steps_per_epoch=steps_per_epoch,
                        epochs=epochs,
                        validation_data=validation_generator,
                        validation_steps=validation_steps)

在这种情况下，每个历元的步骤数=训练样本数/批次大小，而验证步骤数=训练样本数/批次大小

---

在培训过程中，您将看到500个步骤，而不是1000个步骤（前提是您有1000个培训样本，并且批大小为2）。

在

模型中。拟合
进度条左侧的数字计数样本，因此它始终是当前样本/样本总数

您可能会感到困惑，因为它在
模型中的工作方式不同。在这里，您可以看到迭代或批次被计数。
在
模型中。将进度条左侧的数字拟合为计数样本数，因此它始终是当前样本数/样本总数

您可能会感到困惑，因为它在
模型中的工作方式不同。在这里，您可以看到迭代或批处理被计数