keras的.fit_generation 代码

当使用`fit_generator()`方法时，Keras会自动调用生成器函数来提供数据进行模型训练。下面是一段示例代码，其中使用了一个自定义的生成器函数来提供数据。

def data_generator(batch_size):
    while True:
        # 从数据集中随机选择batch_size个样本
        batch_indexes = np.random.randint(0, len(data), batch_size)
        batch_input = []
        batch_output = []
        for index in batch_indexes:
            # 从数据集中获取一个样本
            x, y = data[index]
            # 对样本进行预处理
            x = preprocess(x)
            y = preprocess(y)
            # 将处理后的数据添加到批次中
            batch_input.append(x)
            batch_output.append(y)
        # 将批次中的数据转换为Numpy数组
        batch_input = np.array(batch_input)
        batch_output = np.array(batch_output)
        # 将批次中的数据作为一个元组返回
        yield batch_input, batch_output

# 创建一个生成器实例
batch_size = 32
generator = data_generator(batch_size)

# 使用生成器训练模型
model.fit_generator(generator=generator, steps_per_epoch=len(data) // batch_size, epochs=10)

在这个例子中，我们定义了一个名为`data_generator()`的生成器函数，它会从一个数据集中随机选择一批样本进行训练。在每个epoch中，Keras会从这个生成器中获取`steps_per_epoch`个批次的数据来训练模型。在这个例子中，我们使用了一个无限循环的`while True`语句，以便在每个epoch结束后能够重新开始。由于这个生成器函数会不断地产生新的数据，因此我们无需在每个epoch中重新读取所有的数据。