n_rows行batch_size 我看到一些code的用法：
n_batches = int(n_rows / batch_size)
如果n_rows不是批处理大小的倍数怎么办？
n_batches仍然正确吗？
答案 0 :(得分：1)
实际上，您可以在几个代码中看到这一点，并且我们知道标记的数据非常有价值，因此您不想丢失一些珍贵的标记示例。乍一看，它看起来像是个错误，看来我们正在丢失一些培训示例，但我们必须仔细看一下代码。
通常情况下，如您在发送代码中看到的那样，在每个时期（基于一个时期正在看到n_batches = int(n_rows / batch_size)个示例的事实），数据在每个时期之后都会被重新整理。因此，随着时间的推移（经过几个时期），您会看到全部培训示例。我们不会丢失任何示例\ o /
小结论：如果看到这样的情况，请确保在每个时期都对数据进行混洗，否则您的网络可能永远不会看到一些训练示例。
高效： 通过使用这种机制，您可以确保在每个培训步骤中，您的网络都可以看到 batch_size 示例，并且您不会执行包含少量培训示例的培训循环。 / p>
它更加严格：假设您还有一个示例，但您不会洗牌。在每个时期，假设您的损失是该批次的平均损失，那么对于最后一个示例，它等效于一个批次包含一个重复batch_size次的元素，这就像对这个示例进行加权重要性。如果您改组，此效果会降低（因为其余示例会随时间而变化），但是在训练期间保持批量大小恒定更为严格。
在训练过程中对数据进行混洗还有一些优点，请参见： statexchange post
我还将在帖子中补充说，如果您使用的是诸如批处理规范化之类的机制，那么在训练过程中最好具有恒定的批处理大小，例如n_rows % batch_size = 1，将一个示例作为批处理传递< strong>在培训期间可能会造成一些麻烦。
注意： 我说的是在训练时期而不是在整个训练周期（多个时期）中保持不变的批次大小，因为即使通常是这样（在整个训练过程中都保持不变），您仍可以找到一些研究工作来修改培训期间的批次大小，例如Don't Decay the Learning Rate, Increase the Batch Size。