MNIST 数据分类不适用于 Google Colab

Question

我正在尝试在 Google colab 上使用深度 MLP 训练 MNIST 数字数据集。我已经对输入进行了整形并进行了数据预处理。模型代码如下：

    #define the model layers
    model = Sequential()
    model.add(Dense(512, input_shape = input_shape, activation = "relu"))
    model.add(Dense(256, activation = "relu"))
    model.add(Dropout(0.1))
    model.add(Dense(128,activation = "relu"))
    model.add(Dense(64,activation = "relu"))
    model.add(Dropout(0.1))
    model.add(Flatten())
    model.add(Dense(tar_class,activation = "sigmoid"))

    model.compile(optimizer = "adam",
          loss = "categorical_crossentropy",
          metrics = ["accuracy"])

    model.summary()

    history = model.fit(X_train,y_train,
                epochs = 10,
                validation_split = 0.1,
                batch_size = 64,
                verbose = True)

当我运行 model.fit 代码时，只对数据集中的 844 个样本进行训练，而不是对 60000 个样本进行训练。但是，此代码在我本地的 jupyter 笔记本中运行良好。我想在 Colab 上工作，这样我就可以使用 GPU 来训练模型，这比我的本地机器要快。

谁能帮帮我？

Answer 1

844 并不代表它正在接受训练的样本数量，但它代表每个 epoch 的步数。

步数是多少？
步数相当于一个时期内发生的通过次数，即(1 pass = 1 Forward Pass + 1 Backward pass)。
步数计算为：

no_of_steps_per_epoch = ceil(Total_no_of_samples / batch_size)

要完成一个 epoch，您必须遍历整个数据集。 IE。遍历所有批次。

例如： X_train 有 60000 个样本。
您已将validation_split 指定为0.1。因此，这个 X_train 的 0.1% 将用作验证数据。 IE。它不会用于训练。

因此，训练的样本数将是 (60000 - 6000) = 54000。

现在您已将 batch_size 指定为 64。
因此，

no_of_steps_per_epoch = ceil(54000/64) = ceil(843.74) = 844

这就是你得到 844 的方式。

这并不意味着您正在训练 844 个样本。