張量流中的Batch_size？ 理解這個概念

Question

我的問題很簡單，也很直接。 批量大小在訓練和預測神經網絡時指定了什么。 如何對其進行可視化，以便清楚地了解數據如何饋送到網絡。

假設我有一個自動編碼器

encoder = tflearn.input_data(shape=[None, 41])
encoder = tflearn.fully_connected(encoder, 41,activation='relu')

我正在輸入具有41個功能的csv文件，所以我理解的是它將從csv文件中獲取每個功能，並在批量大小為1時將其提供給第一層的41個神經元。

但是當我將批量大小增加到100時，100個批次的41個特征將如何被饋送到該網絡？

model.fit(test_set, test_labels_set, n_epoch=1, validation_set=(valid_set, valid_labels_set),
          run_id="auto_encoder", batch_size=100,show_metric=True, snapshot_epoch=False)

是否會對批次或其中的某些操作進行標准化？

兩種情況下的epoc數量相同

Answer 1

批量大小是您在網絡中提供的樣本數量。 對於輸入編碼器，您可以指定輸入未指定（無）的樣本量，每個樣本包含41個值。

使用None的優點是，您現在可以同時使用100個值的批次進行訓練（這對您的漸變有用），並使用一批只有一個值（一個您想要預測的樣本）進行測試。

如果沒有為每個批次指定標准化，則每個批次沒有標准化;）

希望我解釋得很好！ 如果您有更多問題，請隨時問他們！