在自回归连续问题中，当零值占据过多空间时，可以将这种情况视为零膨胀问题（即ZIB）。换句话说，我们不是试图拟合f(x)，而是希望拟合g(x)*f(x)，其中f(x)是我们想要近似的函数，即y，而g(x)是一个根据值是否为零或非零输出0到1之间值的函数。

目前，我有两个模型。一个模型输出g(x)，另一个模型拟合g(x)*f(x)。

第一个模型为我提供了一组权重。这就是我需要你帮助的地方。我可以使用sample_weights参数与model.fit()一起使用。由于我处理的是大量数据，因此需要使用model.fit_generator()。然而，fit_generator()没有sample_weights参数。

有没有办法在fit_generator()中使用sample_weights？否则，知道我已经为g(x)训练了一个模型，我该如何拟合g(x)*f(x)？

回答：

你可以将样本权重作为生成器返回的元组的第三个元素提供。根据Keras文档关于fit_generator的说明：

generator: 一个生成器或Sequence（keras.utils.Sequence）对象的实例，以避免在使用多处理时重复数据。生成器的输出必须是以下之一

• 一个元组(inputs, targets)
• 一个元组(inputs, targets, sample_weights)。

更新： 这里是一个粗略的生成器草图，它返回输入样本和目标以及从模型g(x)获得的样本权重：

def gen(args):    while True:        for i in range(num_batches):            # 获取第i批数据            inputs = ...            targets = ...                        # 获取样本权重            weights = g.predict(inputs)                        yield inputs, targets, weights                        model.fit_generator(gen(args), steps_per_epoch=num_batches, ...)