如何在 keras fit_generator() 中定义 max_queue_size、workers 和 use_multiprocessing？

我正在使用 keras 的 GPU 版本在预训练网络上应用迁移学习。我不明白如何定义参数 max_queue_size、workers 和 use_multiprocessing。如果我更改这些参数（主要是为了加快学习速度），我不确定每个 epoch 是否仍然可以看到所有数据。

max_queue_size：

用于从生成器“预缓存”样本的内部训练队列的最大大小

问题：这是指在 CPU 上准备了多少批次？它与工人有什么关系？如何最佳地定义它？

workers：

并行生成批次的线程数。批处理在 CPU 上并行计算，并在运行中传递到 GPU 以进行神经网络计算

问题：如何找出我的 CPU 可以/应该并行生成多少批次？

use_multiprocessing：

是否使用基于进程的线程

问题：如果我更换工人，我必须将此参数设置为 true 吗？它与CPU使用率有关吗？

相关问题可以在这里找到：

model.fit_generator() 参数详解：队列大小、workers和use_multiprocessing

Keras的fit_generator中的worker是什么意思？

“model.fit_generator”中使用的参数“max_q_size”是什么？

一个如何在 Keras 中使用数据生成器的详细示例。

我使用 fit_generator() 如下：

    history = model.fit_generator(generator=trainGenerator,
                                  steps_per_epoch=trainGenerator.samples//nBatches,     # total number of steps (batches of samples)
                                  epochs=nEpochs,                   # number of epochs to train the model
                                  verbose=2,                        # verbosity mode. 0 = silent, 1 = progress bar, 2 = one line per epoch
                                  callbacks=callback,               # keras.callbacks.Callback instances to apply during training
                                  validation_data=valGenerator,     # generator or tuple on which to evaluate the loss and any model metrics at the end of each epoch
                                  validation_steps=
                                  valGenerator.samples//nBatches,   # number of steps (batches of samples) to yield from validation_data generator before stopping at the end of every epoch
                                  class_weight=classWeights,                # optional dictionary mapping class indices (integers) to a weight (float) value, used for weighting the loss function
                                  max_queue_size=10,                # maximum size for the generator queue
                                  workers=1,                        # maximum number of processes to spin up when using process-based threading
                                  use_multiprocessing=False,        # whether to use process-based threading
                                  shuffle=True,                     # whether to shuffle the order of the batches at the beginning of each epoch
                                  initial_epoch=0)   

我的机器的规格是：

CPU : 2xXeon E5-2260 2.6 GHz
Cores: 10
Graphic card: Titan X, Maxwell, GM200
RAM: 128 GB
HDD: 4TB
SSD: 512 GB