我正在研究使用Keras + TensorFlow训练CNN模型期间的性能和GPU使用情况。与this question类似，我很难理解Keras model.fit的{{1}}和TensorFlow的Dataset API的steps_per_epoch的组合使用：我设置了一定的批处理大小在输入管道.batch()上，后来我使用
dataset = dataset.batch(batch_size)但是我看到每个纪元实际上可以设置任何数量的步，甚至超过fit = model.fit(dataset, epochs=num_epochs, steps_per_epoch=training_set_size//batch_size)
。从文档中我了解到，在Keras上，一个纪元不一定像通常那样遍及整个培训集，但是无论如何我还是有些困惑，现在我不确定是否正确使用它。
training_set_size//batch_size和dataset.batch(batch_size)是否定义了一个微型批次SGD，它通过steps_per_epoch=training_set_size//batch_size个样本的微型批次在整个训练集中运行？如果batch_size设置为大于steps_per_epoch，则历时大于训练集的一遍吗？
答案 0 :(得分：3)
steps_per_epoch是您在一个时期内通过网络运行所设置的批次大小的批次数。
您有充分理由将steps_per_epoch设置为training_set_size//batch_size。这样可以确保所有数据都在一个纪元上得到训练，只要数字精确地相除即可（如果不是，则由//运算符四舍五入）。
也就是说，如果批次大小为10，训练集大小为30，则steps_per_epoch = 3确保使用了所有数据。
并引用您的问题：
“如果将steps_per_epoch设置为大于training_set_size // batch_size，则历时是否超过训练集的一倍？”
是的。某些数据将在同一时期再次通过。