关于在深度学习中训练数据集的batch的经验总结

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

 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值