TensorFlow 优化器是否最小化 API 实施的小批量？

Question

Tensorflow minimize API 例如，当我们为输入张量提供小批量数据时，GradientDescentOptimizer 是否已经实现了小批量？

我在看这个bolg 表明minimize方法中没有实现minibatch，我们必须先做compute_gradients然后累积梯度，最后做apply_gradients 完成小批量训练。

def train_standard(opt_type, learning_rate, image_set):
# Arrays for logging accuracy and loss
acc_log = np.zeros(len(image_set))
loss_log = np.zeros(len(image_set))
# Create optimizer
opt = opt_type(learning_rate)
#
# no-minibatch (standard, simple) operation
#
minimize = opt.minimize(loss)
# Create session to execute ops
sess = tf.InteractiveSession()
# Necessary initializations
tf.set_random_seed(1234)
tf.global_variables_initializer().run()
# Train loop
for i, batch in enumerate(image_set):
    sess.run(minimize, feed_dict={x: batch[0], y_: batch[1]})

    acc_log[i] = sess.run(accuracy, 
                          feed_dict={x: mnist.test.images, y_: mnist.test.labels})
    loss_log[i] = sess.run(loss, 
                           feed_dict={x: mnist.test.images, y_: mnist.test.labels})

return acc_log, loss_log

然而，当我做实验时，我发现两种方法产生相似的结果。我想知道如果我们 feed_dict 是一个小批量大小矩阵而不是训练数据的一行，minimize 方法是否会进行小批量更新。

谁能帮我澄清一下这个问题，如果我错了请指正？

此致

Answer 1

这取决于您对小批量学习的定义。一种方法是简单地对一个 minibatch 进行采样，执行权重更新（即计算前向和反向传递），对另一个 minibatch 进行采样，执行另一个权重更新，等等。当你一次只喂一个小批量时，这很容易用 Optimizer.minimize() 完成。据我所知，这是最常用的方法。

你喜欢的 post 旨在做其他事情：计算多个小批量的梯度（即计算前向和后向传递，但不改变权重），然后执行单个权重使用所有累积的梯度进行更新。那当然是不同的，更多的工作要实现（如图post）。

TensorFlow 优化器是否最小化 API 实施的小批量？

Does TensorFlow optimizer minimize API implemented mini-batch?

python

training-data

neural-network

tensorflow

mini-batch