batch_size和data_iter的理解

示例代码

参考李沐老师的《动手学深度学习》第4节：多层感知机

batch_size = 256
train_iter,test_iter = d2ltorch.load_data_fashion_mnist(batch_size)

next(iter(train_iter))[0].shape  # torch.Size([256, 1, 28, 28])
next(iter(train_iter))[1].shape  # torch.Size([256])
# 2个Type都是tensor
next(iter(train_iter))[1][0] # tensor(3) 图片种类，有256张图片，就有256个结果
1
2
3
4
5
6
7

分析

• 迭代器[0]：X
• 迭代器[1]：y
• 迭代器[0][0]：第一张图片
• 迭代器[0][1]：第一张图片
• 迭代器[0][N]：第N张图片
  

补充

batch_size

是我们每次抽取的数据样本的大小，通过指定batch_size大小指定data_iter这个iterator每次iter多少。

• 当batch_size = 数据集大小m时，整个过程的时间肯定会比较长
• 当batch_size 比较小的时候，也就是一次只学一点，大概率学不到什么东西，也可能导致训练loss比较大