数据时间专业和批处理专业有什么区别？
What's the difference between data time major and batch major?
谁能解释一下数据time major和batch major是什么意思，它们有什么区别？
尝试用最简单的术语来说：这些是相同数据的不同表示（或排列）。
二维示例
例如，假设你有这样的数据（只是为了说明，不是真实数据）：
1 11 21 31
2 12 22 32
3 13 23 33
...
100 111 121 131
... 其中每一行对应一个训练输入，每一列对应一个不同的特征。矩阵的大小为 (batch_size, features)，其中 batch_size=100 和 features=4。
接下来，在某些情况下，您可能会得到一个转置矩阵作为输入（例如，它是上一步的输出）：
1 2 3 ... 100
11 12 13 ... 111
21 22 23 ... 121
31 32 33 ... 131
在这种情况下，矩阵形状是(features, batch_size)。注意：数据本身不会改变。只有数组维度发生了变化：批次在第一个示例中是 0 轴，在第二个示例中是 1 轴。另请注意，可以非常轻松高效地交换不同的演示文稿。在tensorflow中，可以用tf.transpose.
来完成
时间专业 vs 批次专业
当涉及到 RNN 时，张量通常达到 3+ 等级，但想法保持不变。如果输入是(batch_size, sequence_num, features)，就叫batch major，因为0轴就是batch_size。如果输入是(sequence_num, batch_size, features)，它同样被称为time major。 features 始终是最后一个维度（至少我不知道实际情况是否不是），因此命名没有更多变化。
根据网络结构，它可能会特别期望批次或时间作为 0 轴，因此输入数据的格式很重要。并且根据前面的层，可以将这些表示中的任何一个输入到 RNN 中。因此，库函数或调用者可能需要将一种排列转换为另一种排列。据我所知，batch major 是 tensorflow 和 keras 中的默认设置，因此它简单地归结为从 RNN 之前的层产生的形状。
再说一遍：batch major和time major的表示是一一对应的。任何张量都可以表示为两者。但是对于特定的实现，可以预期或需要其中之一。
谁能解释一下数据time major和batch major是什么意思，它们有什么区别？
尝试用最简单的术语来说：这些是相同数据的不同表示（或排列）。
二维示例
例如，假设你有这样的数据（只是为了说明，不是真实数据）：
1 11 21 31
2 12 22 32
3 13 23 33
...
100 111 121 131
... 其中每一行对应一个训练输入，每一列对应一个不同的特征。矩阵的大小为 (batch_size, features)，其中 batch_size=100 和 features=4。
接下来，在某些情况下，您可能会得到一个转置矩阵作为输入（例如，它是上一步的输出）：
1 2 3 ... 100
11 12 13 ... 111
21 22 23 ... 121
31 32 33 ... 131
在这种情况下，矩阵形状是(features, batch_size)。注意：数据本身不会改变。只有数组维度发生了变化：批次在第一个示例中是 0 轴，在第二个示例中是 1 轴。另请注意，可以非常轻松高效地交换不同的演示文稿。在tensorflow中，可以用tf.transpose.
时间专业 vs 批次专业
当涉及到 RNN 时，张量通常达到 3+ 等级，但想法保持不变。如果输入是(batch_size, sequence_num, features)，就叫batch major，因为0轴就是batch_size。如果输入是(sequence_num, batch_size, features)，它同样被称为time major。 features 始终是最后一个维度（至少我不知道实际情况是否不是），因此命名没有更多变化。
根据网络结构，它可能会特别期望批次或时间作为 0 轴，因此输入数据的格式很重要。并且根据前面的层，可以将这些表示中的任何一个输入到 RNN 中。因此，库函数或调用者可能需要将一种排列转换为另一种排列。据我所知，batch major 是 tensorflow 和 keras 中的默认设置，因此它简单地归结为从 RNN 之前的层产生的形状。
再说一遍：batch major和time major的表示是一一对应的。任何张量都可以表示为两者。但是对于特定的实现，可以预期或需要其中之一。