一、前言
回顾一下前面讲过的两种解决过拟合的方法：
1）L0、L1、L2：在向前传播、反向传播后面加个小尾巴
2）dropout：训练时随机“删除”一部分神经元
本篇要介绍的优化方法叫mini-batch，它主要解决的问题是：实际应用时的训练数据往往都太大了，一次加载到电脑里可能内存不够，其次运行速度也很慢。那自然就想到说，不如把训练数据分割成好几份，一次学习一份不就行了吗？前辈们试了试发现不仅解决了内存不足的问题，而且网络“收敛”的速度更快了。由于mini-batch这么棒棒，自然是神经网络中非常重要的一个技术，但实际实现时你会发现“真的太简单了”。
二、batch、mini-batch、随机梯度下降
这里先解释几个名词，可以帮助大家更好的理解mini-batch。
1）之前我们都是一次将所有图片输入到网络中学习，这种做法就叫batch梯度下降
2）与batch对应的另一种极端方法是每次就只输入一张图片进行学习，我们叫随机梯度下降
3）介于batch梯度下降和随机梯度下降之间的就是我们现在要整的，叫mini-batch梯度下降
三、mini-batch大小、洗牌
前面说，mini-batch是将待训练数据分割成若干份，一次学习一份。那每一份具体包含多少个图片合适呢？实际上是没有什么特定标准的，但这个数值又切实影响着神经网络的训练效果，一般来说就是建议“设置为2的若干次方，如64、128、256、1024等等”。你可以先随便设置一个数看看效果，效果一般再调调。
“洗牌”是mini-batch的一个附加选项，因为我们是将训练数据分割成若干份的，分割前将图片的顺序打乱就是所谓的“洗牌”了，这样每一次mini-batch学习的图片都不一样为网络中增加了一些随机的因素。具体原理上不知道有啥特别的，但实践中确实优化了网络。
四、mini-batch实现与对比
完整的实现代码是基于之前“深层神经网络解析”的，下载方式见文末。这里我做了个简单的实验，下图中分别是无mini-batch、不带洗牌的mini-batch、带洗牌的mini-batch运行效果。
无mini-batch：
不带洗牌的mini-batch：
带洗牌的mini-batch：
可以看到，使用mini-batch后网络可以迅速收敛。使用了mini-batch的网络仅用了400次就达到了普通网络2000次的训练效果。由于求解的问题不算很难，所以使用了洗牌的mini-batch与普通的mini-batch似乎没啥差别，不过还是能看出来效果还是好了一点的（不过会使用更长的时间来训练）。
完整实现代码可以关注公众号“零基础爱学习”回复“AI11”获取。
