Tensorflow 在keras中安装发电机：指定的批次尺寸在哪里？

嗨，我不明白keras fit_发生器的文件

我希望我的困惑是理性的

有一个批量大小，还有批量培训的概念。使用

model\u fit（）

，我将

批量大小指定为128

对我来说，这意味着我的数据集一次将提供128个样本，从而大大减少了内存。只要我有时间等待，它应该允许训练1亿个样本数据集。毕竟，keras一次只能“处理”128个样本。对吧?

但我高度怀疑，仅仅指定
批量大小
并不能满足我的要求。大量内存仍在使用中。为了实现我的目标，我需要分批训练，每个训练128个例子

所以我猜这就是
fit\u generator
的作用。我真的想问一下，为什么批量大小不能像它的名字所暗示的那样工作

更重要的是，如果需要
fit_generator
，我在哪里指定
batch_size
？医生说要无限循环。
生成器每行循环一次。我如何一次循环128个样本，并记住上次停止的位置，下次keras要求提供下一批的起始行号（第一批完成后将是第129行）时回忆它
 首先，keras批量大小确实非常有效。如果你在GPU上工作，你应该知道这个模型可能会有很多keras，特别是如果你使用的是循环单元。如果您使用的是CPU，那么整个程序都加载到内存中，批处理大小不会对内存产生太大影响。如果您使用的是
fit（）
，则整个数据集可能会加载到内存中，keras会在每一步生成批。很难预测将要使用的内存量

至于
fit_generator（）
方法，您应该构建一个python生成器函数（使用
yield
而不是
return
），每一步生成一批。
yield
应该在一个无限循环中（我们经常使用
，而true:
…）

你有一些代码来说明你的问题吗
 您需要在生成器内部以某种方式处理批大小。以下是生成随机批次的示例：

import numpy as np
data = np.arange(100)
data_lab = data%2
wholeData = np.array([data, data_lab])
wholeData = wholeData.T

def data_generator(all_data, batch_size = 20):

    while True:        

        idx = np.random.randint(len(all_data), size=batch_size)

        # Assuming the last column contains labels
        batch_x = all_data[idx, :-1]
        batch_y = all_data[idx, -1]

        # Return a tuple of (Xs,Ys) to feed the model
        yield(batch_x, batch_y)

print([x for x in data_generator(wholeData)])