Tensorflow keras fit_生成器的结果与fit不同

这是我的代码，我的训练集的形状是（5000000,30223），我的测试集的形状是（2500000,30223）

---

当我使用拟合时，这两种计算均方误差的方法的结果是相同的，拟合的实际效果更好。这里提到的实际效果是sklearn的均方误差，尽管拟合的有效损失为4.96。实际mse也为4.96，拟合生成器显示为1.53，但实际为17.76。对于列车组，配合转换为2.5。对于有效集，拟合仅转换为4.96。那么问题出在哪里呢？

我把结果留给需要的人。我的问题可能会发生，因为我的生成器没有洗牌。下面是我举的一个例子：

def minibatches(inputs=None, targets=None, batch_size=None):
   np.random.seed(5)  
   while 1: 
      assert len(inputs) == len(targets)
      indices = np.arange(len(inputs))
      np.random.shuffle(indices)

      for start_idx in range( 0,len(inputs) - batch_size, batch_size ):
         excerpt = indices[start_idx:start_idx + batch_size]
         yield inputs[excerpt], targets[excerpt]

---

请注意，我的代码可能会忽略最后一个批次，因为如果最后一个批次没有达到特定的批次长度，如果有人可以帮助我修改它，我将非常感谢。

拟合生成器是否也转换为2.5？如果执行预测，则对小批次执行该操作，将所有批次相加，除以批次数以获得最终结果。你能在预测测试中使用随机批次循环预测吗？因此，很明显，fit_生成器上的模型序列尚未达到最低损失。这种差异可能是由权重的随机初始引起的。您可以尝试进行更长时间的训练，并调整一点以适应发电机对于训练集，fit转换为2.5，与fit发电机类似。对于有效集，fit仅转换为4.96您的测试不是完全收敛的，那么当您在predict中仅计算一个批次时，误差可能非常高，甚至超过4.96（因为4.96是平均数）。此外，划分小批次的方式不是随机的，而当您使用fit时，批处理将是随机抽样。首先，您必须先通过

shuffle\u order=np.radndom.permutation（len（inputs））inputs\u shuffle=inputs[shuffle\u order]target\u shuffle=targets[shuffle\u order]

对数据进行洗牌，然后您可以像以前那样获取索引，但如果索引应该是

index=np.arange（（len（inputs）+批大小）//bath\u size）

然后，对于您没有有效数据量的最后一批，您只需获取该批大小的所有末尾以及剩余部分的一点随机数据。

the result is `17.763950379588405` not same as `1.5335`

def minibatches(inputs=None, targets=None, batch_size=None):
   np.random.seed(5)  
   while 1: 
      assert len(inputs) == len(targets)
      indices = np.arange(len(inputs))
      np.random.shuffle(indices)

      for start_idx in range( 0,len(inputs) - batch_size, batch_size ):
         excerpt = indices[start_idx:start_idx + batch_size]
         yield inputs[excerpt], targets[excerpt]