4 Questions
将以下优点与其描述进行匹配：
矩阵运算 = 每次在一个batch上优化神经网络参数并不会比单个数据慢太多 随机选择样本 = 有助于避免对学习没有多大贡献的冗余样本或非常相似样本的干扰 batch_size小于训练集大小 = 会增加学习过程中的噪声，有助于改善泛化误差 收敛到的结果更加接近批量梯度下降的效果 = 每次使用一个batch可以大大减小收敛所需要的迭代次数
将以下缺点与其描述进行匹配：
不当选择的batch_size = 可能会带来一些问题 代价函数越接近最小值时 = 需要增强学习衰减、降低学习 batch_size大于训练集大小 = 可能会导致过拟合 每次使用一个batch = 可能会导致局部最小值
将以下描述与其相关优点进行匹配：
优化神经网络参数不会比单个数据慢太多 = 矩阵运算 避免对学习没有多大贡献的冗余样本或非常相似样本的干扰 = 随机选择样本 增加学习过程中的噪声，有助于改善泛化误差 = batch_size小于训练集大小 大大减小收敛所需要的迭代次数 = 收敛到的结果更加接近批量梯度下降的效果
将以下描述与其相关缺点进行匹配：
可能会带来一些问题 = 不当选择的batch_size 需要增强学习衰减、降低学习 = 代价函数越接近最小值时 可能会导致过拟合 = batch_size大于训练集大小 可能会导致局部最小值 = 每次使用一个batch
「深度学习中的批量梯度下降」的优缺点是什么？了解如何通过使用批处理大小来优化神经网络参数，减少迭代次数和噪声，并改善泛化误差。
Make Your Own Quizzes and Flashcards
Convert your notes into interactive study material.
Get started for free
