如何使用 keras fit_generator 处理最后一批

Question

我正在使用定制的批处理生成器来尝试解决在使用标准 model.fit() 函数时形状不兼容的问题（BroadcastGradientArgs 错误），因为训练数据中最后一个批处理的大小很小。我使用提到的批处理生成器here 和 model.fit_generator() 函数：

class Generator(Sequence):
    # Class is a dataset wrapper for better training performance
    def __init__(self, x_set, y_set, batch_size=256):
        self.x, self.y = x_set, y_set
        self.batch_size = batch_size
        self.indices = np.arange(self.x.shape[0])

    def __len__(self):
        return math.floor(self.x.shape[0] / self.batch_size) 

    def __getitem__(self, idx):
        inds = self.indices[idx * self.batch_size:(idx + 1) * self.batch_size] #Line A
        batch_x = self.x[inds]
        batch_y = self.y[inds]
        return batch_x, batch_y

    def on_epoch_end(self):
        np.random.shuffle(self.indices)

但如果最后一批的大小小于提供的批量大小，它似乎会丢弃最后一批。如何更新它以包含最后一批并（例如）用一些重复的样本扩展它？

另外，不知何故，我不明白“A 线”的工作原理！

更新： 这是我在模型中使用生成器的方式：

# dummy model
input_1 = Input(shape=(None,))
...
dense_1 = Dense(10, activation='relu')(input_1)
output_1 = Dense(1, activation='sigmoid')(dense_1)

model = Model(input_1, output_1)
print(model.summary())

#Compile and fit_generator
model.compile(optimizer='adam', loss='binary_crossentropy')

train_data_gen = Generator(x1_train, y_train, batch_size)
test_data_gen = Generator(x1_test, y_test, batch_size)

model.fit_generator(generator=train_data_gen, validation_data = test_data_gen, epochs=epochs, shuffle=False, verbose=1)

 loss, accuracy = model.evaluate_generator(generator=test_data_gen)
print('Test Loss: %0.5f Accuracy: %0.5f' % (loss, accuracy))

Answer 1

我认为罪魁祸首是这条线

    return math.floor(self.x.shape[0] / self.batch_size)

用这个替换它可能会起作用

    return math.ceil(self.x.shape[0] / self.batch_size) 

想象一下，如果您有 100 个样本和 32 个批次。它应该分为 3.125 个批次。但是如果你使用math.floor，它会变成3和discord 0.125。

对于A行，如果batch size为32，当index为1时[idx * self.batch_size:(idx + 1) * self.batch_size]会变成[32:64]，也就是说，选择self.indices的第33到64个元素

**更新 2，将输入更改为无形状并使用 LSTM 并添加评估

import os
os.environ['CUDA_VISIBLE_DEVICES'] = ""
import math
import numpy as np
from keras.models import Model
from keras.utils import Sequence
from keras.layers import Input, Dense, LSTM


class Generator(Sequence):
    # Class is a dataset wrapper for better training performance
    def __init__(self, x_set, y_set, batch_size=256):
        self.x, self.y = x_set, y_set
        self.batch_size = batch_size
        self.indices = np.arange(self.x.shape[0])

    def __len__(self):
        return math.ceil(self.x.shape[0] / self.batch_size)

    def __getitem__(self, idx):
        inds = self.indices[idx * self.batch_size:(idx + 1) * self.batch_size]  # Line A
        batch_x = self.x[inds]
        batch_y = self.y[inds]
        return batch_x, batch_y

    def on_epoch_end(self):
        np.random.shuffle(self.indices)


# dummy model
input_1 = Input(shape=(None, 10))
x = LSTM(90)(input_1)
x = Dense(10)(x)
x = Dense(1, activation='sigmoid')(x)

model = Model(input_1, x)
print(model.summary())

# Compile and fit_generator
model.compile(optimizer='adam', loss='binary_crossentropy')

x1_train = np.random.rand(1590, 20, 10)
x1_test = np.random.rand(90, 20, 10)
y_train = np.random.rand(1590, 1)
y_test = np.random.rand(90, 1)

train_data_gen = Generator(x1_train, y_train, 256)
test_data_gen = Generator(x1_test, y_test, 256)

model.fit_generator(generator=train_data_gen,
                    validation_data=test_data_gen,
                    epochs=5,
                    shuffle=False,
                    verbose=1)

loss = model.evaluate_generator(generator=test_data_gen)
print('Test Loss: %0.5f' % loss)

这个运行没有任何问题。

Answer 2

除了其他答案中的策略，可以根据您的范围（意图）以不同的方式解决此类问题。

如果您希望按照问题中的建议在最后一批中重复一些样本（直到最后一批的大小等于 batch_size），您可以（例如）检查数据集中的最后一个样本是否为达到，如果是，做点什么。例如：

N_batches = int(np.ceil(len(dataset) / batch_size))
batch_size = 32
batch_counter = 0
while True:
  current_batch = []
  idx_start = batch_size * batches_counter
  idx_end = batch_size * (batches_counter + 1)
  for idx in range(idx_start, idx_end):
      ## Next line sets idx to the index of the last sample in the dataset:
      idx = len(dataset)-1 if (idx > len(data_set)-1) else idx
      current_batch.append(dataset[idx])
      .
      .
      .
  batch_counter += 1
  if (batch_counter == N_batches):
     batch_counter = 0

显然，它不需要是最后一个样本，它可以（例如）是数据集中的随机样本：

idx = random.randint(0,len(dataset) if (idx > len(data_set)-1) else idx

希望这会有所帮助。