Python 为什么我可以在tf.Model.fit（）中提供batchsize

我有点搞不清

上面写着：

批次大小：整数或无。每次渐变更新的采样数。如果未指定，批次大小将默认为32。如果您的数据是数据集、生成器或keras.utils.Sequence实例的形式，请不要指定批次大小（因为它们生成批次）

我想，当我用我的模型训练（或预测）时，我必须提供一些数据，而且无论如何，我必须批量完成

例如，如果我的神经网络的输入大小是（2），那么我可以给出：

inputs = np.ones((1,2))
my_model.fit(inputs, target_output)

#or this:
inputs = np.ones((10,2))
my_model.fit(inputs, target_output)

#but never this:
inputs = np.ones((2))
my_model.fit(inputs, target_output)

我的问题：

因此，当我调用

my_model.fit（）

时，如果我在调用中提供的批次已经具有定义的大小，为什么还要另外提供

batch_size

编辑：我已经考虑过了。如果

inputs

是我放入

my_model.fit（）

中的数据，假设它包含1000个示例，那么我是否可以指定，在这1000个示例中，我只想使用100个（随机？）示例进行设置为

batch_size=100

的培训？如果这是真的，为什么我不事先提取一个样本，只把这个样本交给

my\u model.fit（）

方便吗

---

Edit2:我已经知道，我需要batchsize的额外维度，如中所述。

我们使用batch size的原因之一是我们可能有一个很大的数据集，如果我们使用None，我们的内存空间，无论是在GPU还是主内存上，都无法容纳它们。
现在，如果您使用CNN模型的摘要，您将看到每个输入张量都有一个形状

(None,height,width,channel)

这意味着，根据批量大小，模型将放置相关数量的图像，而不是None，如果您有这样的矩阵，则基于此

a = tf.ones((120,120,3))

然后输入形状

(None,120,120,3)

有许多方法可以使其通过模型，在执行此操作的过程中，请在轴0上展开尺寸标注

a = tf.expand_dims(a,axis=0)

在那之后，你的形状会

print(a.shape())
(1,120,120,3)

---

最后，您可以在模型上对其进行cat pass或fit。

为了更好地概括学习，网络将“批量”查看您提供的样本。这与整个数据集不同。如果您总共有1000个样本，且批大小为100，则网络将对100个样本进行前向传递，然后基于这100个样本进行反向传播，然后对下100个样本进行前向传递。如果没有这一点，网络将进行前向传递，然后一次对每个样本或所有样本进行后向传播。对每个样本进行反向传播会使网络对每个样本过于敏感-您希望它基于所有样本中常见的特征和模式进行学习

---

因此，batchsize是调整模型学习方式的一个有价值的超参数。您可以通过增加batchsize来鼓励更多的泛化，或者通过减少批次大小来鼓励更多的专门化。当你符合模型时，你会说“这是我所有的训练数据”，然后说“一次看64个样本”

对不起，这完全不能回答我的问题。我不认为你理解我的问题。我会尽量让它更精确。哦，这是有道理的。也就是说，我对批次的工作原理有一个完全错误的理解。。谢谢你的回答！