Rumah  >  Artikel  >  pembangunan bahagian belakang  >  Mengapakah model Keras saya hanya menggunakan sebahagian daripada set data saya semasa latihan?

Mengapakah model Keras saya hanya menggunakan sebahagian daripada set data saya semasa latihan?

Susan Sarandon
Susan Sarandonasal
2024-10-27 21:03:02987semak imbas

Why is my Keras model only using a portion of my dataset during training?

Model Keras Hanya Menggunakan Sebahagian Set Data Semasa Latihan

Penerangan Masalah

Apabila melatih model rangkaian saraf menggunakan Keras, didapati bahawa model hanya menggunakan subset kecil set data yang disediakan untuk latihan, bukannya keseluruhan set data. Khususnya, model ini hanya menggunakan 1875 entri untuk latihan manakala set data penuh terdiri daripada 60,000 entri.

Analisis Isu

Isu ini timbul akibat salah faham output semasa pemasangan model. Nombor 1875 yang dipaparkan semasa pemasangan bukanlah bilangan sampel latihan; ia mewakili bilangan kumpulan. Secara lalai, Keras menggunakan saiz kelompok 32 untuk latihan. Oleh itu, jumlah bilangan kumpulan untuk set data yang diberikan menjadi:

60000 / 32 = 1875

Akibatnya, daripada melatih seluruh set data, model ini membahagikan data kepada kelompok bersaiz 32 dan berulang melalui kelompok ini semasa setiap zaman.

Menyelesaikan Isu

Untuk menggunakan keseluruhan set data semasa latihan, adalah perlu untuk menentukan saiz kelompok yang menampung semua sampel latihan. Ini boleh dicapai dengan menetapkan hujah batch_size dalam fungsi model.fit. Sebagai contoh, untuk menggunakan keseluruhan set data, seseorang boleh menentukan batch_size=60000:

<code class="python">model.fit(train_images, train_labels, epochs=10, batch_size=60000)</code>

Dengan menggunakan saiz kelompok ini, model akan memproses semua 60,000 contoh latihan dalam satu kelompok, menggunakan keseluruhan set data secara berkesan untuk latihan.

Atas ialah kandungan terperinci Mengapakah model Keras saya hanya menggunakan sebahagian daripada set data saya semasa latihan?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan:
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn