如何解决TensorFlow训练时model.fit输出步数与样本量不符问题
口罩二分类模型训练步数异常问题解答
核心原因
- Keras的
model.fit()默认采用batch_size=32的参数配置,训练步数=训练样本数/batch_size后向上取整。你的训练样本量约为1690,1690/32≈52.8,四舍五入后就是你看到的53步。你参考的YouTube教程应该是显式设置了batch_size=1,所以步数和训练样本数完全一致。 - 额外发现代码存在语法bug:你定义sigmoid激活层时变量名拼写错误,写为了
final_ouput,但模型输出用的是未加sigmoid的final_output,会导致二分类训练的损失计算逻辑错误。
解决方法
- 若要让训练步数和样本数一致,修改fit代码为:
new_model.fit(X,Y, epochs = 20, validation_split = 0.1, batch_size=1)
- 若要自定义训练批次大小,调整
batch_size参数即可,比如设置batch_size=16的话,训练步数约为1690/16≈106步,批次越大训练步数越少、显存占用越高、单轮训练速度越快。 - 修正代码拼写错误,要么把激活层的输出变量名改为
final_output覆盖之前的全连接层输出,要么在损失函数里配置from_logits=True,两种修正方案二选一:
方案1(修正变量名,添加sigmoid)
Flat_layer = layers.Flatten()(base_output) final_output = layers.Dense(1)(Flat_layer) ##only 0 or 1 # 修正拼写错误,变量名和后续模型输出保持一致 final_output = layers.Activation('sigmoid')(final_output) new_model = keras.Model(inputs = base_input, outputs = final_output) new_model.compile(loss = 'binary_crossentropy', optimizer = 'adam', metrics = ['accuracy'])
方案2(不添加sigmoid,调整损失函数配置)
Flat_layer = layers.Flatten()(base_output) final_output = layers.Dense(1)(Flat_layer) ##only 0 or 1 new_model = keras.Model(inputs = base_input, outputs = final_output) # 配置损失函数接收logits输入 new_model.compile(loss = tf.keras.losses.BinaryCrossentropy(from_logits=True), optimizer = 'adam', metrics = ['accuracy'])
内容的提问来源于stack exchange,提问作者Newbie
相关产品推荐
相关产品推荐

