关于神经网络批量训练我有几个问题。批量培训使用更新总数?或平均更新?
首先,当我们使用批量训练来更新权重时,更改量是批量大小的累积梯度。在这种情况下,变化量是渐变的总和?或平均的梯度?
如果答案是梯度的总和,则变化量将比在线培训大得多,因为数量是累积的。在这种情况下,我认为权重可以很好地优化。
否则,如果答案是梯度的平均值,那么对权重进行优化似乎是非常合理的。但是,在这种情况下,我们必须培训比在线培训多得多的时间,因为它更新批量数据的权重只有一次。其次,无论第一个问题的答案是什么,当我使用CNN的Tensorflow示例代码作为MNIST时,它可以如此快速地优化权重,因此即使在第二步中训练精度也会超过90%。
============================================== =========================
train_step = tf.train.GradientDescentOptimizer(0.001).minimize(cross_entropy) accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float")) for i in range(1000): batch = mnist.train.next_batch(100) if i%100 == 0: train_accuracy = sess.run(accuracy, feed_dict={x:batch[0], y_:batch[1], keep_prob: 1.0}) sess.run(train_step, feed_dict={x: batch[0], y_:batch[1], keep_prob:1.0})
================ ================================================== ======
请解释Tensorflow如何非常快地优化重量。