Python 如何正确设置用于训练Keras模型的数据集

我正试图用一个简单的Keras序列模型创建一个用于音频识别的数据集

这是我用来创建模型的函数：

def dnn_model(input_shape, output_shape):
    model = keras.Sequential()
    model.add(keras.Input(input_shape))
    model.add(layers.Flatten())
    model.add(layers.Dense(512, activation = "relu"))
    model.add(layers.Dense(output_shape, activation = "softmax"))
    model.compile(  optimizer='adam',
                    loss=tf.keras.losses.CategoricalCrossentropy(from_logits=True), 
                    metrics=['acc'])

    model.summary()
    
    return model

我正在使用此生成器功能生成培训数据：

def generator(x_dirs, y_dirs, hmm, sampling_rate, parameters):
    window_size_samples = tools.sec_to_samples(parameters['window_size'], sampling_rate)    
    window_size_samples = 2**tools.next_pow2(window_size_samples) 
    hop_size_samples = tools.sec_to_samples(parameters['hop_size'],sampling_rate)

    for i in range(len(x_dirs)):
        features  = fe.compute_features_with_context(x_dirs[i],**parameters)
        praat = tools.praat_file_to_target( y_dirs[i],
                                            sampling_rate,
                                            window_size_samples,
                                            hop_size_samples,
                                            hmm)
        yield features,praat

变量x_dirs和y_dirs包含指向标签和音频文件的路径列表。我总共得到了8623个文件来训练我的模型。这是我训练我的模特的方式：

def train_model(model, model_dir, x_dirs, y_dirs, hmm, sampling_rate, parameters, steps_per_epoch=10,epochs=10):

    model.fit((generator(x_dirs, y_dirs, hmm, sampling_rate, parameters)),
                            epochs=epochs,
                            batch_size=steps_per_epoch)
    return model

我现在的问题是，如果我通过所有8623文件，它将使用所有8623文件在第一个历元中训练模型，并在第一个历元后抱怨它需要每个历元的步骤*历元批次来训练模型

我只对8623个文件中的10个进行了测试，其中有一个切片列表，但than Tensorflow抱怨需要100个批次

---

那么，我如何让我的生成器输出其工作最佳的数据呢？我一直认为每个历元的步长只会限制每个历元接收的数据。

拟合函数将耗尽生成器，也就是说，一旦生成了所有8623批次，它将无法再生成批次

您希望这样解决问题：

def generatorx_dirs，y_dirs，hmm，采样率，参数，历元=1： 对于范围内的历元历元：或为True时： window_size_samples=tools.sec_to_samplesparameters['window_size']，采样率 窗口大小样本=2**工具。下一个窗口大小样本 hop_size_samples=tools.sec_to_samples参数['hop_size']，采样率 对于rangelenx_目录中的i： features=fe.compute\u features\u with\u contextx\u dirs[i]，**参数 praat=tools.praat\u文件到目标y\u目录[i]， 抽样率， 窗口大小样本， 啤酒花大小样品， 隐马尔可夫模型 产量特征

---

我只是用10个列表对它进行了测试，虽然是真的：因为我无法更改该方法所采用的参数。拟合只会超出10个数据集，我想永远继续下去？这就是你每一个历元的步骤介入的地方：拟合方法会在通过每一个历元的步骤后停止每一个历元。天哪。我觉得我的打字打错了。我有批次=每一个步骤