在阅读出色的book by F. Chollet的同时，我正在用简单的Sequential模型对Keras / Tensorflow进行实验，该模型基于物理分析模型对模拟图像进行训练。
在完全控制模拟的情况下，我编写了一个generator，它生成了无限的数据和标签批处理流，并与Keras中的fit_generator一起使用。这样生成的数据永远不会完全相同，而且我可以为每个图像添加一些随机噪声。
现在我想知道：如果模型从一个历元到下一个历元永远都看不到相同的输入数据，这是一个问题吗？ 我是否可以假设我在降低损失方面的问题不是由于数据是“无限的”（因此，我只需要专注于超参数调整）就可以了吗？ 如果您有关于处理模拟数据上的DL的任何建议，请随意。
答案 0 :(得分：3)
训练有素的网络将掌握数据中的模式，将新数据优先于旧数据。如果您的数据来自恒定分布，那么这无关紧要，但是，如果该分布随时间变化，则应该（缓慢地）适应较新的分布。
数据永远不会完全相同这一事实无关紧要。大多数训练有素的网络都使用某种形式的数据增强（例如，对于图像处理，通常会随机裁剪，旋转，调整大小并应用颜色操作等，因此，每个示例即使来自同一基础，也永远不会完全相同。图片）。