顯然，我知道添加驗證資料會使訓練時間更長，但我在這里談論的時間差是荒謬的。代碼：
# Training
def training(self, callback_bool):
if callback_bool:
callback_list = []
else:
callback_list = []
self.history = self.model.fit(self.x_train, self.y_train, validation_data=(self.x_test, self.y_test),
batch_size=1, steps_per_epoch=10, epochs=100)
即使我的測驗資料的大小是 10,000 個資料點，上面的代碼也花費了我 30 多分鐘的時間來訓練。我的訓練資料的大小是 40,000 個資料點，當我在沒有驗證資料的情況下訓練時，我會在幾秒鐘內完成。有沒有辦法解決這個問題？為什么要花這么長時間？為了啟動，我也在 gpu 上訓練！
uj5u.com熱心網友回復：
我假設驗證按預期作業，并且您在培訓程序中遇到了問題。您正在使用 batch_size = 1 和 steps_per_epoch = 10，這意味著模型在每個 epoch 期間只會看到 10 個資料點。這就是為什么它只需要幾秒鐘。另一方面，您不使用validation_steps 引數，這意味著每個時期之后的驗證將運行，直到您的驗證資料集耗盡，即10.000 步。所以時代不同了。您可以在官方檔案中閱讀有關 model.fit 及其引數的更多資訊。
如果您的訓練資料集不是無限的，我建議您洗掉 steps_per_epoch 引數。如果是，則將len(x_train)//batch_size的值傳遞給它。這樣，模型將獲得每個時期的每個訓練資料點。我假設每個時代都需要大約 1.5 小時，而不是您目前擁有的幾秒鐘。另外我建議增加batch_size，如果沒有特定原因使用1的batch size。
編輯：錯別字
轉載請註明出處，本文鏈接：https://www.uj5u.com/caozuo/362370.html
標籤：Python 张量流 机器学习 凯拉斯 scikit-学习