我对机器学习和Tensorflow还是比较陌生，我想尝试在MNIST数据集上实现小批量梯度下降。但是，我不确定应该如何实施。
（附带说明：训练图像（28像素x 28像素）和标签存储在Numpy数组中）
此刻，我可以看到两种不同的实现方式：
我的训练图像位于[60000,28,28]的Numpy数组中。将其重塑为[25（批处理数量），2400（批处理中的图像数量），28,28]，然后使用for循环调用每个批处理并将其传递给model.compile（）方法。我唯一担心使用此方法的是for循环本质上很慢，而矢量化的实现会更快。
将图像和标签合并到一个tensorflow数据集对象中，然后调用Dataset.batch（）方法和Dataset.prefetch（）方法，然后将数据传递给model.compile（）方法。唯一的问题是我的数据不会保留为Numpy数组，我觉得它比tensorflow数据集对象具有更大的灵活性。
这两种方法中哪一种是最佳实施方式，还是我不知道的第三种最佳方式？
答案 0 :(得分：1)
Keras的model.fit方法有一个内置的batch_size参数（因为您用keras标记了这个问题，所以我假设您正在使用它）。我相信这可能是实现您所寻找的最佳最佳方法。