Tensorflow 不同的培训步骤或完整的演练

在tensorflow.org的初学者mnist教程中，他们用1000个步骤、100个示例进行训练。哪一项比仅包含55000分的训练集还要多？在专家mnist教程中，他们使用20000个步骤和50个示例进行培训

我认为培训步骤已经完成，因此每个培训步骤都可以打印输出损失或/和准确性，而无需等待结束或处理

---

但是，我们是否也可以简单地通过一个步骤将所有示例贯穿整个列车运行，然后查看结果，还是不可能

每次迭代时对整个数据集的训练称为批梯度下降。对小批量（例如一次100个样本）的训练称为随机梯度下降。在on Cross Validated中，您可以阅读更多关于这两者的信息以及选择较大或较小批量的原因

批量梯度下降通常是不可行的，因为它需要太多的RAM。每次迭代也会花费更长的时间，即使您拥有计算资源，这种折衷通常也不值得

---

也就是说，批量大小是一个超参数，您可以使用它来找到一个运行良好的值。

在每次迭代中对整个数据集进行训练称为批量梯度下降。对小批量（例如一次100个样本）的训练称为随机梯度下降。在on Cross Validated中，您可以阅读更多关于这两者的信息以及选择较大或较小批量的原因

批量梯度下降通常是不可行的，因为它需要太多的RAM。每次迭代也会花费更长的时间，即使您拥有计算资源，这种折衷通常也不值得

---

也就是说，批量大小是一个超参数，您可以使用它来找到一个运行良好的值。

您好，谢谢您的回答。我问这个问题，因为我试着训练一个真正的“机器人”，每个动作都需要时间（例如3秒），因此训练与训练乒乓球不同。电脑可以在3秒钟内播放多个动作。因此，我必须保存已经完成的观察结果，然后构建一个模型，我想我可以简单地将它们一次全部通过训练，或者？@floboticsrobotics，我建议您首先以大约100个批量进行训练，直到模型停止改进验证集。然后再次开始训练同一模型，但批量增加/减少约30-50%，看看与初始批量相比，这是否改善了验证集的性能。重复此操作，直到找到最佳的批处理大小或内存不足。您好，谢谢您的回答。我问这个问题，因为我试着训练一个真正的“机器人”，每个动作都需要时间（例如3秒），因此训练与训练乒乓球不同。电脑可以在3秒钟内播放多个动作。因此，我必须保存已经完成的观察结果，然后构建一个模型，我想我可以简单地将它们一次全部通过训练，或者？@floboticsrobotics，我建议您首先以大约100个批量进行训练，直到模型停止改进验证集。然后再次开始训练同一模型，但批量增加/减少约30-50%，看看与初始批量相比，这是否改善了验证集的性能。重复此操作，直到找到效果最佳的批处理大小或内存不足。