我在使用CNN进行图像分类；我使用keras的ImageDataGenerator进行数据增强

我觉得我可能遗漏了一些东西。

A ///  train =model.fit_generator(image_gen.flow(train_X, train_label, batch_size=64),epochs=100,verbose=1,validation_data=(valid_X, valid_label),class_weight=class_weights,callbacks=[metrics],steps_per_epoch=len(train_X)/64)  # 1 epoch =20 secondesB /// train =model.fit_generator(image_gen.flow(train_X, train_label, batch_size=15),epochs=100,verbose=1,validation_data=(valid_X, valid_label),class_weight=class_weights,callbacks=[metrics],steps_per_epoch=len(train_X)/15)  # 1 epoch = 60 secondesC /// train =model.fit_generator(image_gen.flow(train_X, train_label, batch_size=256),epochs=100,verbose=1,validation_data=(valid_X, valid_label),class_weight=class_weights,callbacks=[metrics],steps_per_epoch=len(train_X)/256)   # 1 epoch =345secondes

在情况A中，我使用64的批次大小，每个epoch需要20秒。情况B中使用15的批次大小，每个epoch需要60秒。情况C中使用256的批次大小，每个epoch需要345秒。

我的理解如下：

–批次大小 = 用于更新权重的图像数量。如果我有100张图像，使用批次大小为10，那么每个epoch权重将更新10次。我的理解正确吗？

Steps_per_epoch 是Keras数据增强器生成的图像数量。因为我设置的值为长度(Train_X)/批次大小，这应该意味着在权重更新前使用了批次大小的数据。我的理解正确吗？

如果我的两个说法都正确，那么减少批次大小应该会增加一个epoch的时间，因为会有更多的权重更新。

为什么我在使用批次大小为64时，epoch时间最短？为什么在使用批次大小为256时，epoch时间会很长？

如果您有更多信息或重新表述，请告诉我

编辑：我不明白为什么，但我设置批次大小为256时，每个epoch的总步数（样本批次）是256，而应该是len(Train_X)/256 (=58)

回答：

在这种情况下，更新权重的时间几乎可以忽略不计

您可以检查计算是否需要在内存和磁盘之间传输数据

当使用256大小时

如果您想通过增加批次大小来减少时间，可以设置并发任务！