将sample_weights与fit_generator（）一起使用

Question

在自回归连续问题中，当零位占据过多位置时，可以将情况视为零膨胀问题（即ZIB）。换句话说，不是要拟合f(x)，我们要拟合g(x)*f(x)where f(x)是我们要近似的函数，即y，并且g(x)是一个根据值是零还是非零而输出介于0和1之间的值的函数。

目前，我有两个模型。一个给我的g(x)模型，另一个给我的模型g(x)*f(x)。

第一个模型给了我一组权重。这是我需要您帮助的地方。我可以将sample_weights参数与一起使用model.fit()。当我处理大量数据时，则需要使用model.fit_generator()。但是，fit_generator()没有论点sample_weights。

有sample_weights内部解决方案fit_generator()吗？否则，g(x)*f(x)如果我已经有训练有素的模型，我该如何适应g(x)？

Answer 1

您可以提供样本权重作为生成器返回的元组的第三个元素。从Keras文档上fit_generator：

生成器：生成器或Sequence（keras.utils.Sequence）对象的实例，以便在使用多重处理时避免重复数据。发电机的输出必须是

• 一个元组 (inputs, targets)
• 一个元组(inputs, targets, sample_weights)。

更新：这是生成器的粗略草图，该生成器返回输入的样本和目标以及从模型获得的样本权重g(x)：

def gen(args):
    while True:
        for i in range(num_batches):
            # get the i-th batch data
            inputs = ...
            targets = ...

            # get the sample weights
            weights = g.predict(inputs)

            yield inputs, targets, weights


model.fit_generator(gen(args), steps_per_epoch=num_batches, ...)