Keras '中无法解释的代码；深入学习Python书籍'；

在Francois Chollet的《Python深度学习》一书中，他给出了一个简单的VAE模型，最后，他希望生成一些新的数字，如下所示：

只需看看代码的分离部分（在中间）。他拿了一个样本（Z_样本），然后重复它，嗯！然后将所有这些信息输入到生成器（译码器），他告诉译码器这是一个批处理！！，不管怎么说，最后，他只得到了一个输出！！如您稍后所见，x_解码了[0]

n = 15
digit_size = 28
figure = np.zeros((digit_size * n, digit_size * n))
grid_x = norm.ppf(np.linspace(0.05, 0.95, n))
grid_y = norm.ppf(np.linspace(0.05, 0.95, n))
for i, yi in enumerate(grid_x):
   for j, xi in enumerate(grid_y):
       z_sample = np.array([[xi, yi]])

问：他为什么这样做？我去掉了那种感觉，一切都正常了。

---

第二个问题：在预测方法中对batchsize进行论证到底有什么意义？？我的意思是，在训练阶段是可以理解的，但在推理阶段是不可以理解的。

Keras可以批量进行预测，如果您提供

batch\u size

参数。不过，我不确定你的第一个问题。我可以看到它可以被移除。我不知道他为什么要整个批次都重复这个切片。太好了！你明白我的意思了。不管怎样，我把它取下来了，一切都很好。回到第二个问题，我还是不明白！你为什么要分批预测？因为你不能预测批发？任何你需要的应用程序或案例？你当然可以预测整个过程。在这种情况下，如果数据不适合您的RAM，您可以分批进行预测。但我不太清楚为什么在这个例子中需要它。我的观点是。。。这是可以做到的，这是可能的，有时也需要回答你的“关键点是什么”。同样在Keras 1中，

BatchNormalization

使用不同的

模式，其中批量预测可能会对推断值产生一些差异。在Keras 2中，这一点已被删除。批次是训练或预测时的解决方案，您无法在RAM中拟合模型，特别是当多个样本需要预测时。同时预测多个样本的速度也更快，因为您可以从CPU和GPU的并行化中获益。如果您提供
batch\u size
参数，Keras可以成批进行预测。不过，我不确定你的第一个问题。我可以看到它可以被移除。我不知道他为什么要整个批次都重复这个切片。太好了！你明白我的意思了。不管怎样，我把它取下来了，一切都很好。回到第二个问题，我还是不明白！你为什么要分批预测？因为你不能预测批发？任何你需要的应用程序或案例？你当然可以预测整个过程。在这种情况下，如果数据不适合您的RAM，您可以分批进行预测。但我不太清楚为什么在这个例子中需要它。我的观点是。。。这是可以做到的，这是可能的，有时也需要回答你的“关键点是什么”。同样在Keras 1中，
BatchNormalization
使用不同的
模式，其中批量预测可能会对推断值产生一些差异。在Keras 2中，这一点已被删除。批次是训练或预测时的解决方案，您无法在RAM中拟合模型，特别是当多个样本需要预测时。同时预测多个样本的速度也更快，因为您可以从CPU和GPU的并行化中获益。
>     z_sample = np.tile(z_sample, batch_size).reshape(batch_size, 2)
>     x_decoded = decoder.predict(z_sample, batch_size=batch_size)

       digit = x_decoded[0].reshape(digit_size, digit_size)
       figure[i * digit_size: (i + 1) * digit_size,
       j * digit_size: (j + 1) * digit_size] = digit