我想知道是否设置Keras模型。将steps_per_epoch参数调整为小于（数据集中的样本数/批大小）的固定值将始终使用数据集中的相同样本（从样本0到样本[（steps_per_epoch*批大小）-1]），从而减小训练集的有效大小，还是从每个历元的批量大小的训练集（不替换）中获取每个历元的随机样本？
Rgds。
亚历克斯
通过在自定义批生成器中添加print（）行，您可以在培训期间轻松查看每个批中的元素。您将看到批次在每个时代之间随机排列（但如果shuffle设置为False，则每个批次中的样本将不会排列）。
例如，考虑10个样本的数据集，其中每一个样本都可以用唯一的数字来标识。比如说，如果batch\u size=2，shuffle=False和steps\u per\u epoch=10//2=5，那么在第一个epoch期间，批将按顺序调用（batch\u 1=[1,2]，batch\u 2=[3,4]，…，batch\u 5=[9,10]）。但是在这个历元之后，批次将被随机排列：例如，我们将有第二个历元batch_4=[7,8]，然后batch_1，batch_3等等。。。等等，直到训练结束。
因此，即使steps_per_epoch参数小于重新命令的size_of_dataset//batch_size，我们也可以推断批次仍然是随机置换的，这意味着您的模型在训练期间仍然可以看到整个数据集。请注意，这个问题是微不足道的schffle=True，因为批处理中的元素将在整个数据集中的每个时代随机生成。
最后，我只想和你分享这个答案，它描述了一个简化的steps_per_epoch的有趣用法。
