Python 为什么TensorFlow深度学习提供的代码结果与书中的快照不同

在TensorFlow深度学习的第一章中，给出了一个如何建立一个简单的手写数字识别神经网络的例子。根据描述，本书的代码包可以在以下位置找到：

从上下文来看，我认为运行一个简单的TensorFlow 2.0网络并建立一个基线的部分使用了与之相同的代码。当我运行此示例代码时，它给出以下输出：

书中的快照是：

我的屏幕截图中的结果是

375/375

，而书的快照中的结果是

48000/48000

。另外，我错过了对48000个样本的

培训，对12000个样本的验证。为什么会发生这种情况？如何使用书本中的快照获得相同的结果

从我的输出来看，我认为我加载的数据集的大小与代码中描述的相同：


#加载MNIST数据集
#核实
#列车和试验的比例分别为60000和10000
#自动应用一个热的
mnist=keras.datasets.mnist
（X_列，Y_列），（X_测试，Y_测试）=列表负载数据（）

我的软件包版本：

$python--版本
Python 3.6.8
$python3-c'导入tensorflow作为tf；打印（tf.\uuuuu版本）'
2.3.1
$python3-c'导入tensorflow作为tf；打印（tf.keras.uuuuu版本）
2.4.0


我试图从源代码中找到答案。
fit
方法在中定义。在这个方法中，它实例化一个对象，然后创建一个对象

#training.py类模型方法拟合
#配置和调用`tf.keras.Callback`的容器。
如果不存在（回调、回调\模块回调列表）：
callbacks=callbacks\u module.CallbackList(
回调，
添加_history=True，
add_progbar=verbose！=0，
模型=自我，
冗长的，
时代，
步骤=数据\u处理程序。推断的\u步骤）

#callbacks.py类程序记录器
def on_epoch_begin（self、epoch、logs=None）：
self.\u reset\u progbar（）
如果self.verbose和self.epochs>1：
打印（'Epoch%d/%d'（Epoch+1，self.epochs））
列车批次端def（自身、批次、日志=无）：
self.\u批处理\u更新\u程序条（批处理，日志）
def\u批处理\u更新\u程序条（自身、批处理、日志=无）：
# ...
如果self.verbose==1：
#仅当verbose=1时块异步。
logs=tf_utils.to_numpy_或_python_类型（日志）
self.progbar.update（self.seen，list（logs.items（）），finalize=False）

ProgbarLogger
然后调用update方法来更新进度条

#generic_utils.py类程序条方法更新
如果self.verbose==1：
# ...
如果self.target不是None：
numdigits=int（np.log10（self.target））+1
bar=（'%'+str（numdigits）+'d/%d['）%（当前，self.target）

375
是
self.target
的值。然后我找到了
self.target的值。target
是从
CallbackList
对象的
steps
参数传递过来的。在第一个代码段中，您可以看到
steps=data\u handler.推断的\u steps
。属性
推断的\u steps
定义在

@属性
def/U步骤（自）：
“”“创建的“数据集”的每个历元的推断步数。”。
在下列情况下，此项为“无”：
（1） 基数未知的“Dataset”已传递给“DataHandler”，并且
（2） 未提供“每个时代的步骤”，以及
（3） 迭代的第一个阶段尚未完成。
返回：
创建的“数据集”的每个历元的推断步数。
"""
返回自我。\u推断\u步骤

我不知道如何计算
self.\u推断出的步骤

我认为脱线与……有关，但我不知道V1是什么意思

def\u print\u train\u info（num\u samples\u或步骤，val\u samples\u或步骤，is\u数据集）：
增量='steps'如果是'samples'
msg='Train on{0}{increment}'。格式(
num_采样数_或_步数，增量=增量）
如果val_采样或步骤：
msg+='，在{0}{increment}上验证。格式(
val_采样或步数，增量=增量）
打印（msg）
问得好

让我们把它分成更小的部分

您使用48.000个样本进行训练，并使用12.000进行测试。但是，您的代码显示375而不是48.000

如果查看批次大小，其值为128

快速除法-->
48.000//128=375

您的代码是正确的，这很好

问题来自这样一个事实：在旧版本的Keras和TensorFlow中，无论使用的批次大小，每个步骤的整个样本都会显示（48.000）。在本例中，进度条会更新为：
0、128、256…直到48.000

现在，在较新的版本中，
steps\u per\u epoch
和
validation\u steps
参数等于样本数（比如
48.000
）除以
批量大小
维度（比如
128
），因此
375

两种显示都是正确的，这只是不同进度条的问题，我个人同意并更喜欢后者，因为如果批量大小为
128
，我更愿意同意查看
1、2、3…375
的逻辑

更新以进一步澄清：

这里有
model.fit（）
参数的详细说明


每_历元的步数为整数或无。总步数（批数）
在宣布一个纪元结束并开始下一个纪元之前
时代

验证步骤仅在提供了验证数据且
一个tf.data数据集。要绘制的步骤总数（样本批次）
在每个历元结束时执行验证时停止之前

好问题

让我们休息一下