12

我的问题很简单直接。在训练和预测神经网络时，批量大小指定了什么。如何对其进行可视化，以便清楚地了解数据是如何馈送到网络的。

假设我有一个自动编码器

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

我将输入作为具有 41 个特征的 csv 文件，据我所知，当我的批量大小为 1 时，它将从 csv 文件中获取每个特征并将其提供给第一层的 41 个神经元。

但是当我将批次大小增加到 100 时，100 个批次的 41 个特征将如何馈送到这个网络？

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)

批次是否有任何规范化或对它们进行一些操作？

两种情况的 epoc 数相同

4

1 回答 1

11

批量大小是您在网络中提供的样本量。对于您的输入编码器，您指定输入未指定（无）数量的样本，每个样本有 41 个值。

使用 None 的优点是您现在可以一次使用 100 个值的批次进行训练（这对您的梯度有好处），并使用只有一个值的批次进行测试（您想要预测的一个样本）。

如果您不指定每批次的标准化，则每批次都没有标准化；）

希望我解释得足够好！如果您有更多问题，请随时问他们！

于 2017-03-24T12:25:27.760 回答