fit_generator（）在keras中的优势

Question

我想知道keras中的fit_generator()在内存使用方面是否优于使用通常的fit()方法和相同的batch_size作为生成器产量。 我见过一些类似的例子：

def generator():
(X_train, y_train), (X_test, y_test) = mnist.load_data()
# some data prep
...
while 1:
    for i in range(1875): # 1875 * 32 = 60000 -> # of training samples
        yield X_train[i*32:(i+1)*32], y_train[i*32:(i+1)*32]

如果我将它传递给fit_generator()方法或者只是将所有数据直接传递给fit()方法并定义一个32的batch_size ，它会对（GPU？） - 内存产生任何影响吗？

Answer 1

是的，当您需要增强数据以获得更好的模型精度时，实际上会出现差异。

为了提高效率，它允许使用CPU对图像进行实时数据增强。 这意味着它可以使用GPU进行模型训练并进行更新，同时将增加图像和提供批次的负载委托给CPU进行训练。