Если ваша модель представляет собой обычную сверточную сеть (без каких-либо странных взломов), образцы в пакете не будут связаны друг с другом.
В зависимости от того, какую функцию потерь вы используете, размер партии также может быть важен.Для обычных функций (доступны «mse», «binary_crossentropy», «categoryorical_crossentropy» и т. Д.) Все они сохраняют выборки независимо друг от друга.Но некоторые потери могут учитывать всю партию.(Метрики F1, например).Если вы используете функцию потерь, которая не обрабатывает сэмплы независимо, то размер партии очень важен.
При этом больший размер партии может помочь сети легче найти свой путь, посколькуодно изображение может толкать гири в одном направлении, а другое - в другом.Средние результаты всех изображений в пакете должны быть более репрезентативными для общего обновления веса.
Теперь, войдя в экспериментальное поле (мы никогда не узнаем все о нейронных сетях, пока не протестируем их), рассмотрим это сравнение:
- пакет с 1 огромным изображением против
- пакет исправлений одного и того же изображения
Оба будут иметь одинаковое количество данных, и длясверточная сеть, это не будет иметь решающего значения.Но в первом случае сеть, вероятно, будет лучше в нахождении связей между дорогами, может быть, найдет больше участков, где дорога может быть чем-то покрыта, в то время как небольшие участки, заполненные границами, могут больше смотреть на текстуры и быть не очень хорошими.при выявлении этих пробелов.
Все это, конечно, догадка.Лучшее тестирование.
Моя сеть в графическом процессоре не может использовать большие патчи, что плохо для меня ...