深度学习（7）：Mini-batch梯度下降法

batch梯度下降法

在前面的学习当中，对于神经网络的每次迭代，我们都是以整个训练集X为单元进行训练。这种训练方法也叫batch梯度下降法。
由于跑完整个X后才能更新参数，当数据量较大时，每次迭代的时间会非常长。
batch梯度下降法的代价函数一定会严格递减。

为例减小每次跌打的时间，我们试图缩小每次迭代的数据量

随机梯度下降法

在这个方法中，我们每次迭代只训练一组数据，然后就更新参数。
这样做的问题在于，完全没有办法利用到向量化的加速。
随机梯度下降法的代价函数不一定会严格递减，因为对应着不同的数据，偏差可能大不相同。某些数据可能是特殊点。所以只能做到总体趋势上代价函数在递减。

Mini-batch梯度下降法

综合上面两个方法的利弊，我们的batch既不能取m，也不能取1，应当取一个适当的数。在实际操作中，往往取64-512的2的幂次的数据。这样做既能加快迭代速度，又能充分利用向量化的优势。