TensorFlow Mini-batching

TensorFlow Mini-batching

要使用 mini-batching，你首先要把你的数据集分成 batches。

不幸的是，有时候不可能把数据完全分割成相同数量的 batch。例如有 1000 个数据点，你想每个 batch 有 128 个数据。但是1000 无法被 128 整除。你得到的结果是 7 batch，每个128个数据点，一个 batch 有 104个数据点。(7*128 + 1*104 = 1000)

batch里面的数据点数量会不同的情况下，你需要利用 TensorFlow 的tf.placeholder() 函数来接收这些不同的 batch。

继续上述例子，如果每个样本有n_input = 784特征，n_classes = 10个可能的标签，features的维度应该是[None, n_input]，labels的维度是 [None, n_classes]。

# Features and Labels
features = tf.placeholder(tf.float32, [None, n_input])
labels = tf.placeholder(tf.float32, [None, n_classes])

None在这里做什么用呢？

None 维度在这里是一个 batch size 的占位符。在运行时，TensorFlow 会接收任何大于 0 的 batch size。

回到之前的例子，这个设置可以让你把features 和 labels给到模型。无论 batch 中包含128，还是104个数据点。

问题二

下列参数，会有多少batch，最后一个batch有多少数据点？

features is (50000, 400)

labels is (50000, 10)

batch_size is 128