Python 如何在Tensorflow 2中实现小批量梯度下降？

我对机器学习和Tensorflow比较陌生，我想尝试在MNIST数据集上实现小批量梯度下降。然而，我不确定我应该如何实施它

（旁注：训练图像（28px x 28px）和标签存储在Numpy阵列中）

目前，我可以看到两种不同的实现方法：

我的训练图像是[60000,28,28]的Numpy数组。将其重塑为[25（num batches）、2400（num images in batch）、28,28]，然后使用for循环调用每个批并将model.compile（）方法传递给它。使用这种方法，我唯一担心的是for循环本身就很慢，矢量化实现会快得多

将图像和标签组合到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，我的数据没有保留为Numpy数组，我觉得它比tensorflow数据集对象更灵活

---

这两种方法中哪一种最适合实现，或者有第三种方法是我不知道的最佳方法？

Keras在其model.fit方法中有一个内置的batch_size参数（因为您用Keras标记了这个问题，我假设您正在使用它）。我相信这可能是实现您所追求目标的最佳优化方法。

谢谢您的回答！是的，我正在使用Keras。如果我希望最小批量大小为25，那么传递给model.fit方法的numpy数组的维数是多少。只需将要训练网络的所有数据传递到fit函数中，并指定batch_size=25即可。然后，这将以大小为25的小批量对网络进行所有数据的培训。您可能需要在编辑数据之前对其进行一点编辑，以使其成为正确的形状和类型。有关如何执行这些操作的详细信息，请参见：谢谢。我成功了