由於深度學習的網格很大，用來訓練的資料集也很大。因此不可能一下子將所有資料集都輸入到網路中，便引入了batch_size的概念，下面總結自己兩種常用的呼叫batch的方法
1、使用tensorflow， tf.train.batch（）。
2、
offset = (offset + batch_size) % len(images) #每次讀取batch_size 相當於設定乙個游標，每過一次迴圈，游標向前移動一次，這裡images是要讀取的路徑
batch = np.array([read_image(img, height, width) for img in images[offset: offset + batch_size]]) #讀取batch的資料 這裡讀完之後就可以直接feed到網路中
深度學習中的訓練集與測試集
看上面的圖，這是乙個邏輯回歸演算法的dag 有向無環圖 它是這個二分類演算法的簡單應用流程的展示。可以看到我們在採集完資料並做過處理後，會把資料進行拆分。訓練集作用訓練模型，而測試集會被輸入到模型中來評估模型的效能。這是我們測試人工智慧服務的最常用方式，通過這個流程會產生乙個模型的評估報告，如下 當...
在深度學習中處理不均衡資料集
hard negative mining online hard sample mining 在上面的情況中，我們當然需要我們的少數 買 的類別要特別的準確，而 不買 的類別則無關緊要。但是在實際情況中，由於買的情況比不買的情況要少得多，我們的模型 會偏向 不買 的類別，而 買 的類別的準確率則可能...
訓練集雜訊對於深度學習的影響
總所周知，在深度學習的訓練中，樣本的質量和數量都是非常重要的一環。然後在實際的生產過程中，樣本的數量往往可以通過一些手段得到滿足，但是質量卻非常依賴人工的標註，因此往往在訓練中會包含一定數量的標註不正確的資料。一般認為這樣的一些資料，會對於最終的結果造成負面影響，但是具體怎樣影響訓練和最終的模型推廣...