我想知道是否将 Keras model.fit steps_per_epoch 参数设置为小于（数据集中的样本数/批量大小）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*batch_size)-1]），因此减少了训练集的有效大小，还是在每个 epoch 中从训练集中（不替换）大小为 batch_size 的 steps_per_epoch 随机样本？
Rgds.
亚历克斯
【问题讨论】：
通过在自定义批处理生成器中添加print() 行，您可以轻松地尝试在训练期间查看每个批处理中的元素。您会看到您的批次在每个时期之间随机排列（但如果 shuffle 设置为 False，则每个批次中的样本不会）。
以一个包含 10 个样本的数据集为例，其中每个样本都可以通过唯一的编号进行标识。如果，假设batch_size = 2、shuffle = False 和steps_per_epoch = 10//2 = 5，那么在第一个时期，批次将按顺序调用（batch_1 = [1,2]、batch_2 = [3,4]、...、batch_5 = [9,10]）。但是在这个 epoch 之后，批次将被随机排列：例如，第二个 epoch batch_4 = [7,8]，然后是 batch_1，batch_3 等等......直到训练结束。
因此，即使steps_per_epoch 参数小于推荐的size_of_dataset // batch_size，我们可以推断批次仍然会随机排列，这意味着您的模型在训练期间仍然会看到整个数据集。请注意，shuffle = True 这个问题很简单，因为批次中的元素将在每个时期从整个数据集中随机生成。
最后，我只是想与您分享this answer，它描述了减少steps_per_epoch 的有趣用法。
【讨论】：