我正在使用keras的GPU版本在预训练的网络上应用迁移学习。我不明白如何定义参数max_queue_size，工人和use_multiprocessing。如果我改变这些参数（主要是为了加快学习），我不确定是否所有的数据仍然是每个时代看到的。
max_queue_size：
>
问：这是指在CPU上准备了多少批次吗？和工作者有什么关系？如何优化定义？
工人：
>
并行生成批处理的线程数。批次在CPU上并行计算，并动态传递到GPU进行神经网络计算
问：我如何找出我的CPU可以/应该并行生成多少批次？
使用多处理：
>
问题：如果我更改辅助角色，是否必须将此参数设置为true？它与CPU使用有关吗？
相关问题可在此处找到：
>
Keras的fit_发电机中的工人是什么意思？
“model.fit_generator”中使用的参数“max_q_size”是什么？
关于如何将数据生成器与Keras一起使用的详细示例。
我使用的是fit\u generator（），如下所示：
history = model.fit_generator(generator=trainGenerator,
steps_per_epoch=trainGenerator.samples//nBatches, # total number of steps (batches of samples)
epochs=nEpochs, # number of epochs to train the model
verbose=2, # verbosity mode. 0 = silent, 1 = progress bar, 2 = one line per epoch
callbacks=callback, # keras.callbacks.Callback instances to apply during training
validation_data=valGenerator, # generator or tuple on which to evaluate the loss and any model metrics at the end of each epoch
validation_steps=
valGenerator.samples//nBatches, # number of steps (batches of samples) to yield from validation_data generator before stopping at the end of every epoch
class_weight=classWeights, # optional dictionary mapping class indices (integers) to a weight (float) value, used for weighting the loss function
max_queue_size=10, # maximum size for the generator queue
workers=1, # maximum number of processes to spin up when using process-based threading
use_multiprocessing=False, # whether to use process-based threading
shuffle=True, # whether to shuffle the order of the batches at the beginning of each epoch
initial_epoch=0)
我的机器的规格是：
CPU : 2xXeon E5-2260 2.6 GHz
Cores: 10
Graphic card: Titan X, Maxwell, GM200
RAM: 128 GB
HDD: 4TB
SSD: 512 GB
Q_0：
问题：这是否指CPU上准备了多少批？它与工人有什么关系？如何对其进行最佳定义？
从您发布的链接中，您可以了解到CPU一直在创建批，直到队列达到最大队列大小或停止。您希望为GPU“获取”批处理做好准备，以便GPU不必等待CPU。队列大小的理想值是使其足够大，使GPU始终在接近最大值的位置运行，而不必等待CPU准备新的批处理。
问题1：
问：我如何找出我的CPU可以/应该并行生成多少批次？
如果您看到GPU处于空闲状态并等待批处理，请尝试增加工作量，也许还可以增加队列大小。
Q_2：
如果我更改工人，是否必须将此参数设置为true？它与CPU使用有关吗？
下面是对将其设置为True或False时发生的情况的实际分析。建议将其设置为False以防止冻结（在我的设置中True无需冻结即可正常工作）。也许其他人可以增加我们对这个话题的理解。
还有：你可以（应该？）下次提出几个问题，以便更容易回答。
