使用Kerasfit\u generator，每个历元的步数应等于可用样本总数除以批次大小。
但是，如果我选择一个不适合n次样本的batch_size，生成器或fit_generator将如何反应？它会产生样本，直到它不能再填充整个batch_size，还是只使用较小的batch_size作为最后的产量？
提问原因：我将数据分为不同大小（不同%）的训练/验证/测试，但训练和验证集使用相同的批量，特别是训练和测试集。由于它们的大小不同，我不能保证批量大小适合样本总量。
是你创建了生成器，所以行为是由你定义的。
如果steps\u per\u epoch大于预期的批数，fit将看不到任何内容，它将继续请求批数，直到达到步骤数为止。
唯一的问题是：你必须确保你的发电机是无限的。
例如，在开始时使用而不是True:执行此操作。
如果生成器来自ImageDataGenerator，则它实际上是keras。乌提尔斯。序列并且它具有长度属性：len（generatorInstance）。
然后，您可以检查自己发生了什么：
remainingSamples = total_samples % batch_size #confirm that this is gerater than 0
wholeBatches = total_samples // batch_size
totalBatches = wholeBatches + 1
if len(generator) == wholeBatches:
print("missing the last batch")
elif len(generator) == totalBatches:
print("last batch included")
else:
print('weird behavior')
并检查最后一批的大小：
lastBatch = generator[len(generator)-1]
if lastBatch.shape[0] == remainingSamples:
print('last batch contains the remaining samples')
else:
print('last batch is different')
如果您将N分配给fit_generator（）的参数steps_per_epoch，Keras基本上会在考虑完成一个时代之前调用生成器N次。由您的生成器以N批次生成所有样品。
请注意，因为对于大多数模型来说，每次迭代都有不同的批次大小是可以的，所以您可以修复steps_per_epoch=ceil（dataset_size/batch_size），并让您的生成器为最后一个样本输出较小的批次。
我面临着同样的逻辑错误，通过定义每个时代的步骤解决了这个问题
BS = 32
steps_per_epoch=len(trainX) // BS
history = model.fit(train_batches,
epochs=initial_epochs,steps_per_epoch=steps_per_epoch,
validation_data=validation_batches)
