Machine learning keras中fit_generator（）的优势

我想知道keras中的

fit_generator（）

在内存使用方面是否比使用通常的

fit（）

方法具有任何优势，该方法具有与生成器相同的

batch_size

。我见过一些类似的例子：

def generator():
(X_train, y_train), (X_test, y_test) = mnist.load_data()
# some data prep
...
while 1:
    for i in range(1875): # 1875 * 32 = 60000 -> # of training samples
        yield X_train[i*32:(i+1)*32], y_train[i*32:(i+1)*32]

---

如果我将其传递到

fit_generator（）

方法中，或者直接将所有数据传递到

fit（）

方法中，并定义一个

batch_size

为32的大小，它会对（GPU？）内存产生任何影响吗？

是的，当您需要增强数据以获得更好的模型精度时，这种差异实际上会产生

---

为了提高效率，它允许使用CPU对图像进行实时数据扩充。这意味着它可以使用GPU进行模型训练和更新，同时将增强图像的负载委托给CPU，并提供批量训练。

但在GPU上，内存使用情况仍然相同，对吗？它总是必须使用fit（）和fit_生成器（）将完整的批处理_大小加载到GPU内存中？是的，你是对的。我认为如果你必须引入增强，并使用keras ImageDataGenerator作为生成器，它提供许多功能，如旋转、缩放、，剪切等，它将根据现有的训练数据创建一个新的图像，并且在前期不可用，可以并行处理此附加处理。查看ImageDataGeneratorTanks以获取帮助。我希望有一种方法，允许我只加载一批的一部分到模型中，以节省GPU内存。但看起来你至少要提供整批货。例如，如果我的批次尺寸为10，我希望在完成backprop之前，只提供5个样本，然后分别提供5个样本。也许有一些限制，为什么这不能工作。