在for循环中拟合模型是否等同于使用epochs>1？

Question

我正在使用tensorflow来训练一个网络来完成图像分割任务，并且我有一个关于不同时代之间的model.fit行为的问题，特别是：

用512个历元调用model.fit和调用model.fit 512次有什么区别吗？

这里是我的代码的简化版本，以防有帮助。首先，一些设置：

# Create image generators for dataset augmentation
imgGen = ImageDataGenerator(**data_augmentation_parameters)
maskGen = ImageDataGenerator(**data_augmentation_parameters)
seed = random.randint(0, 1000000000)
imgIterator = imgGen.flow(img, seed=seed, shuffle=False, batch_size=batch_size)
maskIterator = maskGen.flow(mask, seed=seed, shuffle=False, batch_size=batch_size)

# Load network structure from model.py file
network = unet(net_scale = 1)

# Calculate # of iterations
steps_per_epoch = int(num_samples / batch_size)

迭代拟合的两种方法：

拟合方法1：

network.fit(
    ((imgBatch, maskBatch) for imgBatch, maskBatch in zip(imgIterator, maskIterator)),
    steps_per_epoch=steps_per_epoch,
    epochs=512,
)

拟合方法2：

for epoch in range(512):
    network.fit(
        ((imgBatch, maskBatch) for imgBatch, maskBatch in zip(imgIterator, maskIterator)),
        steps_per_epoch=steps_per_epoch,
        epochs=1,
    )

我认为这个问题和我的一样，但我不明白一个答案是如何适用于这个问题的--我只是想知道指定一个纪元数>1和在for循环中运行model.fit之间是否存在一些内部差异。

谢谢!

Answer 1

根据用于Keras的github存储库中的这问题，是的，您应该能够在循环中以您想要的方式递增地训练您的模型。尽管如此，您应该在这两种方式上运行一个测试，看看它是否会产生不同的结果。