我将提供我第一次开始使用 fit_generator 时使用的两个教程。话虽这么说，首先要记住的是，生成器本质上与您编写的任何其他函数一样，它返回一些东西，但该函数运行一个旨在不退出的连续循环。例如，在普通函数中，每次调用该函数时，您将使用 return 来返回一些数据块。在生成器中，函数以块的形式连续返回数据，直到没有数据返回。这就是 yield 语句的作用。在我的项目中，我有几 TB 的信号数据。即使在功能强大的服务器上，对于我使用的硬件来说数据量也有点多。因此生成器函数分批提供数据块，它也可以并行运行以提高速度。这种方法还大大减少了您的内存使用量，通常，您的系统内存会达到某个点，并且在所有数据都输入 DNN 之前不会真正改变。我为糟糕的解释道歉，但我对此也很陌生:-)我相信其他人会提供更好的答案，但这应该让你开始。

这是一个很好的教程https://www.pyimagesearch.com/2018/12/24/how-to-use-keras-fit-and-fit_generator-a-hands-on-tutorial/

还有一个很短的https://medium.com/@fromtheast/implement-fit-generator-in-keras-61aa2786ce98

另外，请查看文档 https://keras.io/models/sequential/

最后这是我在当前项目中使用的一个。它不是很漂亮，但效果很好

def batch_generator(X_train, Y_train):  

    while True:
         # samples_counter = 0
        for fl, lb in zip(X_train, Y_train):
            sam, lam = get_IQsamples(fl, lb)
            max_iter = sam.shape[0]
            sample = []  # store all the generated data batches
            label = [] # store all the generated label batches
            i = 0
            for d, l in zip(sam, lam):
                sample.append(d)
                label.append(l)
                i += 1
                if i == max_iter:
                    break
            sample = np.asarray(sample)        
            label = np.asarray(label)
            yield sample, label

现在在我的手机上，但您应该将批量大小设置为特定大小。生成器将继续传递批次。假设您的批量大小是 32，但您的样本几乎用完了，只剩下 20 个。生成器将传回一个部分已满的批次，这很好。其他人将不得不回答每个批次都不同的问题，但我想不出你想要什么。