这是model.fit()、model.train_on_batch()、model.fit_generator()中最适合训练的方法

Question

我有一个包含 600 张图像的训练数据集，分辨率为 (512*512*1)，分为 2 类（每类 300 张图像）。使用一些增强技术，我将数据集增加到 10000 张图像。经过以下预处理步骤

all_images=np.array(all_images)/255.0
all_images=all_images.astype('float16')
all_images=all_images.reshape(-1,512,512,1)
saved these images to H5 file.

我使用 AlexNet 架构进行分类，其中包含 3 个卷积、3 个重叠的最大池层。 我想知道以下哪种情况最适合使用内存大小限制为 12GB 的 Google Colab 进行训练。

1. model.fit(x,y,validation_split=0.2)
# For this I have to load all data into memory and then applying an AlexNet to data will simply cause Resource-Exhaust error.

2. model.train_on_batch(x,y)
# For this I have written a script which randomly loads the data batch-wise from H5 file into the memory and train on that data. I am confused by the property of train_on_batch() i.e single gradient update. Do this will affect my training procedure or will it be same as model.fit().

3. model.fit_generator() 
# giving the original directory of images to its data_generator function which automatically augments the data and then train using model.fit_generator(). I haven't tried this yet. 

请指导我在这些方法中哪种方法对我来说是最好的。我已经阅读了很多关于 model.fit()、model.train_on_batch() 和 model.fit_generator() 的答案 Here、Here 和 Here，但我仍然感到困惑。

Answer 1

model.fit - 如果您将数据加载为 numpy-array 并在没有增强的情况下进行训练，则适用。 model.fit_generator - 如果您的数据集太大而无法放入内存中，或者您想即时应用扩充。 model.train_on_batch - 不太常见，通常在一次训练多个模型时使用（例如 GAN）