Lotes en el Procesamiento de Datos

Al entrenar un modelo de aprendizaje automático, es común alimentar los datos en pequeños fragmentos en lugar de todos a la vez. Estos fragmentos se denominan "lotes". En vez de mostrarle al modelo un solo elemento de datos (como una imagen o una oración), se le puede proporcionar un lote de, por ejemplo, 32 elementos juntos. Este enfoque puede hacer que el entrenamiento sea más estable y rápido.

Al pensar en tensores, esto implica agregar una dimensión extra al principio. Así, si los datos de un solo elemento se representan con un tensor de forma (height, width), un lote de estos elementos tendría la forma (batch_size, height, width). En este ejemplo, si el tamaño del lote es 32, la forma se convierte en (32, height, width).

Supongamos que tenemos 2048 muestras de datos, cada una con una forma de (base shape). Esto nos da un tensor de (2048, base shape). Si dividimos estos datos en lotes de 32 muestras, obtendremos 64 lotes, ya que 64 * 32 = 2048. Y la nueva forma será (64, 32, base shape).

Al diseñar tu propia red neuronal u otro modelo, puedes emplear diferentes formas para las tareas mencionadas anteriormente. Sin embargo, estas técnicas de estructuración son estándar en Tensorflow, ya que están organizadas tanto lógica como jerárquicamente para optimizar el rendimiento de los algoritmos de aprendizaje.