关于在深度学习中训练数据集的batch的经验总结

最新推荐文章于 2025-07-02 16:23:56 发布

xiao韩

最新推荐文章于 2025-07-02 16:23:56 发布

阅读量3.7k

点赞数

CC 4.0 BY-SA版权

分类专栏： Python与AI 深度学习卷积神经网络CNN

本文链接：https://blog.youkuaiyun.com/qq_28821995/article/details/84187345

Python与AI 同时被 3 个专栏收录

23 篇文章

订阅专栏

深度学习

9 篇文章

订阅专栏

卷积神经网络CNN

5 篇文章

订阅专栏

本文探讨了深度学习中处理大规模数据集时采用Batch的概念及其重要性。介绍了使用TensorFlow的tf.train.batch()方法和通过设置游标进行数据读取的两种常见Batch处理方式。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

由于深度学习的网格很大，用来训练的数据集也很大。因此不可能一下子将所有数据集都输入到网络中，便引入了batch_size的概念，下面总结自己两种常用的调用batch的方法

1、使用TensorFlow， tf.train.batch（）。

2、

    offset = (offset + batch_size) % len(images)  #每次读取batch_size图片 相当于设置一个游标，每过一次循环，游标向前移动一次，这里images是要读取图片的路径
    batch = np.array([read_image(img, HEIGHT, WIDTH) for img in images[offset: offset + batch_size]])  #读取batch的数据  这里读完之后就可以直接feed到网络中