Tensorflow 在Keras中定义每个历元的步骤

我正在阅读《Python深度学习》这本书，想了解更多关于定义

每个历元的步骤和
批量大小时会发生什么的信息。他们使用的例子包括4000张猫狗图片，其中2000张用于训练，1000张用于验证，1000张用于测试。他们提供了两个模型示例。一个有图像增强，一个没有。我不明白他们为什么在这两种情况下改变批量大小

我已经理解了这个过程，1个历元是整个训练数据集的1次传递。批量大小决定了每一步显示多少图像。当我们改变批量大小时，我们改变了要从中学习的图像的数量。对于他们的第一个例子，有2000个图像在训练中，每个历元有20100个步骤的批量大小是合乎逻辑的，他们使用的是什么。它需要100个步骤才能看到2000幅图像，完成一个新纪元。在下一个示例中，他们实现了比重新缩放图像更多的增强（共6次旋转更改、缩放、剪切等），批大小增加到32，但每个历元的步长保持在100。我假设随着批量大小的增加，每个历元的步数减少，在本例中为63（从62.5取整）。在这种情况下，为什么每个历元的步数保持不变？最后，考虑到舍入问题，模型是否没有看到一些训练数据或看到太多数据

from keras.preprocessing.image import ImageDataGenerator
train_datagen = ImageDataGenerator(rescale=1./255)
test_datagane = ImageDataGenerator(rescale=1./255)
train_generator=train_datagen.flow_from_directory(
    train_dir,
    target_size = (150,150)
    batch_size=20 # for model 2 batch_size=32
    class_mode='binary')
validation_generator = test_datagen.flow_from_directory(
    validation_dir,
    target_size = (150,150)
    batch_size=20 # for model 2 batch_size=32
    class_mode='binary')
history = model.fit_generator(
    train_generator,
    steps_per_epoch = 100,  # same for both models
    epochs=30,
    validation_data=validation_generator,
    validation_steps=50) # same for both models

对于2000个图像和
批处理大小=32
，它将有62.5个步骤，如您所述，因此不能有100个步骤和32个批处理大小。如果将步骤指定为100，则会发生以下情况：

WARNING:tensorflow:Your input ran out of data; interrupting training. 
Make sure that your dataset or generator can generate at least `steps_per_epoch * epochs` batches.

如果要打印生成器的长度，您将看到：

len(train_generator) = 63, batch_size = 32
len(train_generator) = 50, batch_size = 20

所以这本书是错误的，它将是63步每历元，批大小为32。确切地说，它是写错的，除非你不重复数据集。但您并没有在代码中提供
repeat（）
方法，所以这本书有一个打字错误。