正如 Keras 的网页中提到的fit_generator()：

steps_per_epoch：整数。在声明一个时期完成并开始下从生成器产生的步骤总数（样本批次）它通常应该等于 ceil(num_samples / batch_size)。序列可选：如果未指定，将使用 len(generator) 作为多个步骤。

您可以将其设置为num_samples // batch_size，这是一个典型的选择。

但是，在使用callbacksteps_per_epoch更新学习率时，让您有机会“欺骗”生成器，因为此回调会在每个 epoch 完成后检查损失的下降。如果损失在多个连续时期内停滞不前，则回调会降低学习率以“慢煮”网络。如果您的数据集很大，通常需要使用生成器时，您可能希望在单个 epoch 内衰减学习率（因为它包含大量数据）。这可以通过设置一个小于而不影响模型训练周期总数的值来实现。ReduceLROnPlateau() patiencesteps_per_epoch num_samples // batch_size

将这种情况想象为在您的正常时期内使用迷你时期来改变学习率，因为您的损失已经停滞不前。我发现它在我的应用程序中非常有用。

我认为保持以下关系会很好

steps_per_epoch * batch_size = number_of_rows_in_train_data

这将导致使用一个时期的所有训练数据。此外，如果您需要快速性能，请考虑使用fit()而不是fit_generator()，但考虑到fit()可能会使用更多内存。

例如，如果您有 100 个训练样本，则num_samples= 100，或者行数x_train为 100。

您可以指定自己的批量大小。在这种情况下，假设batch_size= 20。因此，您可以设置steps_per_epoch= 100/20 = 5，因为这样您可以利用每个时期的完整训练数据。

如果你还想问你想设置的场景steps_per_epoch!= num_samples/ batch_size（比如num_samples不能完全除以 的时候batch_size），请参考这个帖子：https ://github.com/keras-team/keras/issues/10164

让我们清除它：

假设您有一个包含8000 个样本（数据行）的数据batch_size = 32集，并且您选择epochs = 25

这意味着数据集将分为 (8000/32) = 250 个批次，每批次有32 个样本/行。模型权重将在每批后更新。

一个 epoch 将训练 250 个批次或对模型进行 250 次更新。

这里steps_per_epoch= 批次数

使用 50 个 epoch，模型将遍历整个数据集 50 次。

参考 - https://machinelearningmastery.com/difference-between-a-batch-and-an-epoch/