Neural network 我应该洗牌数据以使用反向传播训练神经网络吗？

我想用反向传播训练一个神经网络，我有这样一个数据集：

---

我应该洗牌输入数据吗？

是的，并且应该在每次迭代时洗牌，例如{1}中的引号：

对于任何随机梯度下降法（包括 对于小批量情况），每个示例或小批量对估计量的效率非常重要 可以大致独立地进行采样。因为 随机访问内存（甚至更糟的是 磁盘）非常昂贵，这是一个很好的近似值，称为增量 gradient（Bertsekas，2010）将访问 以固定顺序对应的示例（或小批量） 按其在内存或磁盘中的顺序（重复 第二个历元上相同顺序的示例，如果 我们不是在纯在线的情况下，每个例子 只访问一次）。在这种情况下，如果 示例或小批量首先以随机方式放置 命令（为确保情况属实，可以 首先对示例进行洗牌是有用的）<强>更快收敛 已观察到，如果 每个历元访问的小批量都会更改， 如果训练集 保存在计算机内存中

---

{1} 班吉奥，约书亚。“神经网络：交易技巧。施普林格柏林海德堡，2012年。437-478.

是的，它应该在每次迭代时被洗牌，例如，引用自{1}：

对于任何随机梯度下降法（包括 对于小批量情况），每个示例或小批量对估计量的效率非常重要 可以大致独立地进行采样。因为 随机访问内存（甚至更糟的是 磁盘）非常昂贵，这是一个很好的近似值，称为增量 gradient（Bertsekas，2010）将访问 以固定顺序对应的示例（或小批量） 按其在内存或磁盘中的顺序（重复 第二个历元上相同顺序的示例，如果 我们不是在纯在线的情况下，每个例子 只访问一次）。在这种情况下，如果 示例或小批量首先以随机方式放置 命令（为确保情况属实，可以 首先对示例进行洗牌是有用的）<强>更快收敛 已观察到，如果 每个历元访问的小批量都会更改， 如果训练集 保存在计算机内存中

---

{1} 班吉奥，约书亚。“神经网络：交易技巧。施普林格柏林海德堡，2012年。437-478.

问题很清楚，只需要重新格式化。问题很清楚，只需要重新格式化。