验证数据可以是 tensorflow.keras 2.0 中的生成器吗？

Question

在tensorflow.keras 的官方文档中，

验证数据可以是： Numpy 数组的元组 (x_val, y_val) 或 Numpy 数组数据集的张量元组 (x_val, y_val, val_sample_weights) 对于前两种情况，必须提供 batch_size。对于最后一种情况，可以提供validation_steps。

它没有提到生成器是否可以充当验证数据。所以我想知道validation_data 是否可以是一个数据生成器？像下面的代码：

net.fit_generator(train_it.generator(), epoch_iterations * batch_size, nb_epoch=nb_epoch, verbose=1,
                  validation_data=val_it.generator(), nb_val_samples=3,
                  callbacks=[checker, tb, stopper, saver])

更新：在keras的官方文档中，内容相同，只是增加了一句：

• 数据集或数据集迭代器

考虑到

dataset 对于前两种情况，必须提供batch_size。对于最后一种情况，可以提供validation_steps。

我认为应该有3种情况。Keras 的文档是正确的。所以我会在 tensorflow.keras 中发布一个问题来更新文档。

Answer 1

是的，它可以，奇怪的是它不在文档中，但它的工作方式与x参数完全一样，您也可以使用 akeras.Sequence或 a generator。在我的项目中，我经常使用keras.Sequence它的作用就像一个生成器

表明它有效的最小工作示例：

import numpy as np
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense, Flatten

def generator(batch_size): # Create empty arrays to contain batch of features and labels
    batch_features = np.zeros((batch_size, 1000))
    batch_labels = np.zeros((batch_size,1))
    while True:
        for i in range(batch_size):
            yield batch_features, batch_labels

model = Sequential()
model.add(Dense(125, input_shape=(1000,), activation='relu'))
model.add(Dense(8, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

train_generator = generator(64)
validation_generator = generator(64)

model.fit(train_generator, validation_data=validation_generator, validation_steps=100, epochs=100, steps_per_epoch=100)

100/100 [==============================] - 1s 13ms/步 - 损失：0.6689 - 准确度：1.0000 - val_loss : 0.6448 - val_accuracy: 1.0000 Epoch 2/100 100/100 [==============================] - 0s 4ms/step - 损失：0.6223 - 准确度：1.0000 - val_loss：0.6000 - val_accuracy：1.0000 Epoch 3/100 100/100 [========================== ====] - 0s 4ms/step - 损失：0.5792 - 准确度：1.0000 - val_loss：0.5586 - val_accuracy：1.0000 Epoch 4/100 100/100 [================ ==============] - 0s 4ms/step - 损失：0.5393 - 准确度：1.0000 - val_loss：0.5203​​ - val_accuracy：1.0000