When training neural networks, we g

When training neural networks, we generally feed data into them in small batches, called mini-batches or just “batches” (for more information on mini-batch gradient descent, see my tutorial here). Keras has some handy functions which can extract training data automatically from a pre-supplied Python iterator/generator object and input it to the model. One of these Keras functions is called fit_generator. The first argument to fit_generator is the Python iterator function that we will create, and it will be used to extract batches of data during the training process. This function in Keras will handle all of the data extraction, input into the model, executing gradient steps, logging metrics such as accuracy and executing callbacks (these will be discussed later). The Python iterator function needs to have a form like:

結果 (繁體中文) 1:

當訓練神經網絡，我們一般飼料數據轉換成他們在小批量，稱為迷你批或僅僅是“批”（適用於小批量梯度下降的更多信息，請參閱我在這裡的教程）。Keras有一些方便的功能，可以從預先提供的Python迭代器/發電機對象並將其輸入到模型自動提取的訓練數據。其中一個Keras函數被調用fit_generator。第一個參數fit_generator是Python迭代器功能，我們將創建，它將被用來在訓練過程中提取數據的批次。該功能在Keras將處理所有的數據的提取，輸入到模型的，執行梯度步驟，記錄度量，例如精確度和執行回調（這些將在後面討論）。Python的迭代函數需要有這樣一種形式：

結果 (繁體中文) 2:

訓練神經網路時，我們通常以小批量將資料輸入其中，稱為小批量或"批次處理"（有關小批量梯度下降的詳細資訊，請參閱此處的教程）。Keras 具有一些方便的功能，這些函數可以從預先提供的 Python 反覆運算器/產生器物件自動提取訓練資料並將其輸入到模型中。這些 Keras 函數之一稱為fit_generator。fit_generator的第一個參數是我們將創建的 Python 反覆運算器函數，它將用於在訓練過程中提取批次處理資料。Keras 中的此函數將處理所有資料提取、輸入模型、執行梯度步驟、記錄精度和執行回檔等指標（稍後將討論這些指標）。Python 反覆運算器函數需要具有如下所示的形式：

結果 (繁體中文) 3:

在訓練神經網路時，我們通常將數據以小批量的形式輸入到它們中，稱為小批量或只是“批量”（有關小批量梯度下降的更多資訊，請參閱我的教程）。Keras有一些方便的函數，可以從預先提供的Python反覆運算器/生成器對象中自動選取訓練數據並將其輸入到模型中。其中一個Keras函數稱為fit_generator。fit_generator的第一個參數是我們將創建的Python反覆運算器函數，它將用於在培訓過程中選取成批數據。Keras中的這個函數將處理所有的數據選取、輸入到模型中、執行梯度步驟、記錄精度等度量和執行回檔（這些將在後面討論）。Python反覆運算器函數需要具有如下形式：