Keras神经网络只需要很少的样本来训练

Question

data = np.random.random((10000, 150)) 
labels = np.random.randint(10, size=(10000, 1))
labels = to_categorical(labels, num_classes=10) 

model = Sequential()
model.add(Dense(units=32, activation='relu', input_shape=(150,)))
model.add(Dense(units=10, activation='softmax'))
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

model.fit(data, labels, epochs=30, validation_split=0.2)

我创建了10000个随机样本来训练我的网络，但它只使用了其中的几个（250/10000），例如第一个时代：

纪元1/30

250/250[=========================================================-0秒/步-损耗：2.1110-精度：0.2389-val_损耗：2.2142-val_精度：0.1800

Answer 1

像下面的例子一样尝试代码

model = Sequential()
model.add(Dense(32, activation='relu', input_dim=100))
model.add(Dense(10, activation='softmax'))
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# Generate dummy data
import numpy as np
data = np.random.random((1000, 100))
labels = np.random.randint(10, size=(1000, 1))

# Convert labels to categorical one-hot encoding
one_hot_labels = keras.utils.to_categorical(labels, num_classes=10)

# Train the model, iterating on the data in batches of 32 samples
model.fit(data, one_hot_labels, epochs=10, batch_size=32)

Answer 2

您的数据分为培训和验证子集（验证\u split=0.2）。培训子集的大小为8000和2000。培训分批次进行，默认情况下，每个批次有32个样本。因此，一个历元应该取8000/32=250批，如进度中所示。