如果Keras steps_per_epoch参数设置为小于（样本数/批次大小）的值，则每个epoch中使用的样本是否始终相同？

Question

我想知道，如果将Keras model.fitsteps_per_epoch参数设置为小于（数据集中的样本数/批量大小）的固定值，是否将始终使用数据集中的相同样本（从样本0到样本[（steps_per_epoch*批量大小）-1]），从而减小训练集的有效大小，还是从每个历元的批量大小的训练集（不替换）中获取每个历元的随机样本

Rgds

亚历克斯

Answer 1

通过在自定义批处理生成器中添加print()行，您可以在培训期间轻松查看每个批处理中的元素。您将看到批处理在每个时代之间随机排列（但是如果shuffle设置为False，则每个时代内的样本将不会排列）

例如，考虑一个10个样本的数据集，其中每一个样本都可以用唯一的数字来标识。如果，比方说，batch_size = 2、shuffle = False和steps_per_epoch = 10//2 = 5，那么在第一个历元期间，批将按顺序调用（batch_1 = [1,2]、batch_2 = [3,4]、batch_5 = [9,10]）。但是在这个历元之后，批将被随机排列：例如，我们将有第二个历元batch_4 = [7,8]，然后batch_1，batch_3等等。。。等等，直到训练结束

因此，即使steps_per_epoch参数小于推荐的size_of_dataset // batch_size，我们也可以推断批仍将随机排列，这意味着您的模型在培训期间仍将看到整个数据集。请注意，这个问题在shuffle = True中并不重要，因为批中的元素将在每个历元从整个数据集中随机生成

---

最后，我只想与大家分享this answer，它描述了一个简化的steps_per_epoch的有趣用法