卷積神經(jīng)網(wǎng)絡(luò)中的batch到底是什么？通常，神經(jīng)網(wǎng)絡(luò)需要訓(xùn)練大量的樣本，才能使結(jié)果收斂并符合實際情況。但是，當(dāng)訓(xùn)練樣本的數(shù)量非常大時，不可能將所有數(shù)據(jù)一起讀入內(nèi)存然后進行訓(xùn)練，這需要將數(shù)據(jù)分成多個組進

卷積神經(jīng)網(wǎng)絡(luò)中的batch到底是什么？

通常，神經(jīng)網(wǎng)絡(luò)需要訓(xùn)練大量的樣本，才能使結(jié)果收斂并符合實際情況。

但是，當(dāng)訓(xùn)練樣本的數(shù)量非常大時，不可能將所有數(shù)據(jù)一起讀入內(nèi)存然后進行訓(xùn)練，這需要將數(shù)據(jù)分成多個組進行訓(xùn)練。

神經(jīng)網(wǎng)絡(luò)訓(xùn)練的一組數(shù)據(jù)稱為批，批的大小是指訓(xùn)練數(shù)據(jù)的個數(shù)。

假設(shè)訓(xùn)練數(shù)據(jù)滿足正態(tài)分布，批量越大，這組數(shù)據(jù)越容易與訓(xùn)練數(shù)據(jù)擬合，即特征損失越小，收斂效果和效率越好。

但是如果大小太大，內(nèi)存將不足。批量大小應(yīng)根據(jù)需要選擇，以達到時間、空間和效果的平衡。

此外，批量歸一化還可以大大提高訓(xùn)練效果和收斂速度。

為什么不收斂，解除對參數(shù)設(shè)置過，網(wǎng)格細化過，還是不收斂？

用鼠標(biāo)選擇網(wǎng)格，右鍵單擊，選擇“統(tǒng)計”，然后根據(jù)單元格質(zhì)量直方圖檢查網(wǎng)格。一般情況下，R可以根據(jù)物理場自由劃分三角形網(wǎng)格。我們還可以使用映射和分布函數(shù)來定義每個幾何模塊的不同網(wǎng)格密度。網(wǎng)格越粗，計算速度越快，且不收斂；網(wǎng)格越細，計算速度越慢，但精度越高。另外，模型的計算速度不僅與網(wǎng)格生成有關(guān)，還與初始值的設(shè)置、邊界條件的選擇和物理參數(shù)的選擇有關(guān)。有限元的關(guān)鍵是了解模型的本構(gòu)關(guān)系。最好了解它的計算原理，然后有針對性地進行調(diào)試。最后，在計算中要注意相對公差的設(shè)置。相對公差的設(shè)置越大，計算速度越快，但計算精度會降低。如果公差太小，有時會計計算就不會收斂。我們需要分析具體問題。右