Python 在Keras'；时间经验发生器？

我正在使用5个类的视频分类，并使用时间分布的CNN模型。train数据集包含8个视频，每个视频包含75帧。我使用了Keras的TimeSeriesGenerator，其中长度等于75，因为每个视频包含75个序列。但是，我似乎不清楚在这种情况下批量大小应该是多少

from keras.preprocessing.sequence import TimeseriesGenerator
train_sequences = TimeseriesGenerator(train_data, train_labels, length=75, batch_size=1)

---

有人能告诉我这个任务应该考虑什么样的批量大小吗？

批量大小定义了在模型的每次迭代中引入的视频样本数量。批量大小不同值之间的差异是模型重量的优化。如果批量大小等于3，模型将输入3个样本视频，只有在这3个输入之后，它才会更新权重

批量大小没有最佳值。就像没有免费的午餐一样。我建议你尝试不同的价值观，寻找最好的结果

在定义批次大小时存在约束：

• 如果该值很小，则需要更少的内存，而且速度可能更快，因为您的模型要求的样本更少。否则，梯度估计将不太准确
• 如果该值较大，梯度的估计将更精确，但它将需要更多内存，并且可能会更慢

---

因此，您必须在grandient的估计精度和计算资源使用率之间找到一个最佳值

批量大小定义了将在模型的每次迭代中引入的视频样本数。批量大小不同值之间的差异是模型重量的优化。如果批量大小等于3，模型将输入3个样本视频，只有在这3个输入之后，它才会更新权重

批量大小没有最佳值。就像没有免费的午餐一样。我建议你尝试不同的价值观，寻找最好的结果

在定义批次大小时存在约束：

• 如果该值很小，则需要更少的内存，而且速度可能更快，因为您的模型要求的样本更少。否则，梯度估计将不太准确
• 如果该值较大，梯度的估计将更精确，但它将需要更多内存，并且可能会更慢

---

所以你必须在grandient的估计精度和计算资源使用率之间找到一个最佳值

这意味着如果我有一个500个视频的数据集，如果我将64个视频分配给batch_size，那么我的模型每次迭代都会引入64个视频样本，对吗？这意味着如果我有一个500个视频的数据集，如果我将64个视频分配给batch_size，我的模型每次迭代都会引入64个视频样本，对吗？