Lots dans le traitement des données

Lors de l'entraînement d'un modèle d'apprentissage automatique, il est courant de fournir les données en petits morceaux plutôt que tout à la fois. Ces morceaux sont appelés "lots". Au lieu de montrer à un modèle un seul élément de données (comme une image ou une phrase), nous pourrions lui fournir un lot de, disons, 32 éléments ensemble. Cette approche peut rendre l'entraînement plus stable et plus rapide.

Lorsqu'on pense aux tenseurs, cela signifie ajouter une dimension supplémentaire au début. Donc, si les données d'un seul élément étaient représentées par un tenseur de forme (height, width), un lot de ces éléments aurait la forme (batch_size, height, width). Dans cet exemple, si la taille du lot est 32, la forme devient (32, height, width).

Disons que nous avons 2048 échantillons de données, chacun avec une forme de (base shape). Cela nous donne un tenseur de (2048, base shape). Si nous divisons ces données en lots de 32 échantillons, nous obtiendrons 64 lots, car 64 * 32 = 2048. Et la nouvelle forme sera (64, 32, base shape).

Lors de la conception de votre propre réseau de neurones ou d'un autre modèle, vous pouvez utiliser différentes formes pour les tâches mentionnées ci-dessus. Cependant, ces techniques de mise en forme sont standard dans Tensorflow, car elles sont structurées à la fois logiquement et hiérarchiquement pour optimiser la performance des algorithmes d'apprentissage.