题目
为什么最好的mini-batch的大小通常不是1也不是训练集总样本数m，而是介于两者之间 ？A.A 如果mini-batch的大小是1，那么你需要遍历整个训练集后才能更新一次参数B.B 如果mini-batch的大小是m，就是批量梯度下降。你需要遍历整个训练集来更新参数C.C 如果mini-batch的大小是1，那么你将失去mini-batch将数据矢量化带来的的好处D.D 如果mini-batch的大小是m，就是随机梯度下降，而这样做经常会比mini-batch慢
为什么最好的mini-batch的大小通常不是1也不是训练集总样本数m，而是介于两者之间 ？
- A.A 如果mini-batch的大小是1，那么你需要遍历整个训练集后才能更新一次参数
- B.B 如果mini-batch的大小是m，就是批量梯度下降。你需要遍历整个训练集来更新参数
- C.C 如果mini-batch的大小是1，那么你将失去mini-batch将数据矢量化带来的的好处
- D.D 如果mini-batch的大小是m，就是随机梯度下降，而这样做经常会比mini-batch慢
题目解答
答案
B,C
解析
在机器学习中，mini-batch的大小选择是一个重要的参数。如果mini-batch的大小是1，那么每次只用一个样本更新参数，这会导致更新过程非常不稳定，且无法利用向量化带来的计算效率提升。如果mini-batch的大小是整个训练集的大小m，那么每次更新参数都需要遍历整个训练集，这将导致计算效率低下，且在大数据集上可能不可行。因此，选择一个介于1和m之间的mini-batch大小，可以平衡计算效率和参数更新的稳定性。