Lotes no Processamento de Dados

Ao treinar um modelo de aprendizado de máquina, é comum alimentar os dados em pequenos blocos em vez de todos de uma vez. Esses blocos são chamados de "lotes". Em vez de mostrar ao modelo um único item de dado (como uma imagem ou uma frase), podemos fornecer um lote de, por exemplo, 32 itens juntos. Essa abordagem pode tornar o treinamento mais estável e rápido.

Ao pensar em tensores, isso significa adicionar uma dimensão extra no início. Assim, se os dados de um único item eram representados por um tensor de formato (height, width), um lote desses itens teria o formato (batch_size, height, width). Neste exemplo, se o tamanho do lote for 32, o formato se torna (32, height, width).

Suponha que temos 2048 amostras de dados, cada uma com o formato (base shape). Isso nos dá um tensor de (2048, base shape). Se dividirmos esses dados em lotes de 32 amostras, teremos 64 lotes, pois 64 * 32 = 2048. E o novo formato será (64, 32, base shape).

Ao projetar sua própria rede neural ou outro modelo, é possível empregar diferentes formatos para as tarefas mencionadas acima. No entanto, essas técnicas de formatação são padrão no Tensorflow, pois são estruturadas de forma lógica e hierárquica para otimizar o desempenho dos algoritmos de aprendizado.