我的问题很简单，直截了当。批量大小在训练和预测神经网络时指定了什么。如何对其进行可视化，以便清楚地了解数据如何被馈送到网络。
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')
我正在输入带有41个功能的csv文件，所以据我所知，它将从csv文件中获取每个功能，并在批量大小为1时将其提供给第一层的41个神经元。 / p>
但是当我将批量大小增加到100时，100个批次的41个特征将如何被馈送到该网络？
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)
批次或对它们进行某些操作会有规范化吗？
两种情况下的epoc数量相同
答案 0 :(得分：6)
批量大小是您在网络中提供的样本数量。对于输入编码器，您可以指定输入未指定（无）的样本量，每个样本包含41个值。
使用None的优点是，您现在可以同时使用100个值的批次进行训练（这对您的渐变有用），并使用一批只有一个值（一个您想要预测的样本）进行测试。
如果没有为每批指定标准化，则每批没有标准化;）
希望我解释得足够好！如果您有更多问题，请随时向他们询问！