Machine learning Tensorflow训练时间与我的代码有关

目的：区分一个细胞是寄生的（Mallia ed）还是未感染的

数据集来自Kaggle：

进口：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import os

from sklearn.metrics import classification_report, confusion_matrix

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, MaxPool2D, Conv2D, Flatten
from tensorflow.keras.callbacks import EarlyStopping
from tensorflow.keras.preprocessing.image import ImageDataGenerator

from matplotlib.image import imread

路径：

file_path = "/whatever-you-store-the-data/cell_images/"
test_path = "/whatever-you-store-the-data/cell_images/test/"
train_path = "/whatever-you-store-the-data/cell_images/train/"

图像的平均大小为（130、130、3）#（宽度、高度、颜色通道）：

图像数据生成器：

image_gen = ImageDataGenerator(rotation_range=20,
                           width_shift_range=0.1,
                           height_shift_range=0.1,
                           shear_range=0.1,
                           zoom_range=0.1,
                           horizontal_flip=True,
                           vertical_flip=True,
                           fill_mode="nearest")

模型：

model = Sequential()

model.add(Conv2D(32, (3, 3), input_shape=image_shape, activation="relu"))
model.add(MaxPool2D((2, 2)))
model.add(Dropout(0.5))

model.add(Conv2D(64, (3, 3), activation="relu"))
model.add(MaxPool2D((2, 2)))
model.add(Dropout(0.2))

model.add(Conv2D(64, (3, 3), activation="relu"))
model.add(MaxPool2D((2, 2)))
model.add(Dropout(0.2))

model.add(Flatten())

model.add(Dense(128, activation="relu"))
model.add(Dropout(0.5))

model.add(Dense(1, activation="sigmoid"))

model.compile(loss="binary_crossentropy",
              optimizer="adam",
              metrics=["accuracy"])

提前停止回调：

early_stop = EarlyStopping(monitor="val_loss",
                           patience=5,
                           verbose=1,
                           mode="min")

发电机：

train_image_gen = image_gen.flow_from_directory(train_path,
                                                target_size=image_shape[:2],
                                                color_mode="rgb",
                                                batch_size=32,
                                                class_mode="binary")
test_image_gen = image_gen.flow_from_directory(test_path,
                                                target_size=image_shape[:2],
                                                color_mode="rgb",
                                                batch_size=32,
                                                class_mode="binary",
                                               shuffle=False)

拟合模型：

results = model.fit_generator(train_image_gen,
                              epochs=20,
                              validation_data=test_image_gen,
                              callbacks=[early_stop])

以下是输出：

Epoch 1/20
390/Unknown - 9339s 24s/step - loss: 4.4232 - accuracy: 0.5135

---

首先，为什么它是n/未知的形式，更重要的是，为什么它需要9339秒。这不是问题所在，问题在于为什么训练的估计时间一直在增加，开始于240秒左右，然后随着时间的推移而增加，最终达到9339秒。这里发生了什么？我该如何解决这个问题？

你有一个公共笔记本可以共享吗？你可能想退房。希望有帮助@Khoo，在您的代码中，您正在使用

Pickle

文件。但是站点中是否存在Pickle文件。

Epoch 1/20
390/Unknown - 9339s 24s/step - loss: 4.4232 - accuracy: 0.5135