当我同时使用batch_size和steps_per_epoch参数运行model.fit时，我收到以下错误：
ValueError: If steps_per_epoch is set, the `batch_size` must be None.
因此，从此错误和keras模型(函数式API(的以下文档中
batch_size：整数或无。每次梯度更新的样本数。如果 未指定，batch_size将默认为 32。
steps_per_epoch：整数或无。总步骤数(样品批次( 在宣布一个纪元结束并开始下一个纪元之前。训练时 对于输入张量(如 TensorFlow 数据张量(，默认值 None 等于数据集中的样本数除以批量大小，如果无法确定，则等于 1。
我知道这两个参数在某种程度上是等效的。但是，在我的笔记本电脑上(使用带有 2GB VRAM 的 GeForce 940M 显卡并训练 cifar10 数据集(当我运行 epochs 参数设置为 256 的model.fit时，脚本运行良好，keras 给出的反馈如下所示：
4608/50000 [=>............................] - ETA: 1:59 - loss: 0.8167 - acc: 0.7398
更新第一个数字总是增加 256 个单位。但是，当将steps_per_epoch作为number_train//batch_size传递时，我内存不足，除非我batch_size传递为 1，否则无法运行我的脚本。
那么，model.fit如何使用这些参数呢？当我只使用其中一个而不是另一个时有什么区别？
这是个好问题。我从源代码([1] 和 [2](中观察到的是：
- 设置
batch_size时，训练数据将切片为此大小的批次(参见 L184(。 - 当你设置
steps_per_epoch时，如果训练输入不是框架原生张量(这是最常见的情况(，整个训练集将分批馈入网络(参见L152(，这就是你得到内存错误的原因。
因此，基于实现，我建议仅在通过框架原生张量(即第一维为批量大小的 TensorFlow 张量(馈送时steps_per_epoch使用参数，这确实是一项要求。为此，需要将参数x和ymodel.fit设置为None。