如题 想卷积在batch之间是怎么操作的啊 共享权重吗 batch的增加会增加网络中的参数量吗
batch越大参数收敛的越快，batch的更改不会影响网络结构增加网络中的参数，只会增加每次来回的计算量。
你可以简单的理解为乘客与公交车的关系，一个乘客公交车也可以走，装一批乘客也是可以走，只不过人越多公交车的负载越大
该回答引用ChatGPT
在深度学习中，卷积层经常使用批处理（batch）进行训练。批处理指的是将多个训练样本一起输入到神经网络中进行训练，这样可以提高计算效率，同时也有助于网络的收敛。
卷积在batch之间是通过共享权重来实现的。在卷积层中，每个卷积核的权重是相同的，因此可以将多个样本的卷积操作合并为一个操作，从而减少计算量。同时，共享权重也有助于防止过拟合的发生，提高了模型的泛化能力。
批处理会增加网络中的参数量，因为每个批次都会对权重进行更新。但是相对于样本数量来说，批处理的参数量增加的比较小，因此一般不会对网络的计算量和存储量产生显著的影响。此外，批处理也有利于减少过拟合，提高模型的泛化能力。
比如你的特征维度是fea_dim，第一层神经元个数是cell1_dim，那么第一层网络权重就是W1=[fea_dim,cell1_dim]；
第二层神经元个数是cell2_dim，那么第二层网络权重W2=[cell1_dim,cell2_dim]；
最后一层神经元个数是cell3_dim，那么第三层网络权重就是W3=[cell2_dim,cell3_dim];
你一个batch的特征进入上面的网络，input=[batch,fea_dim]，那么结果就是[batch,cell3_dim]
你不分batch，而是所有样本进入上面网络，input=[samples_all,fea_dim]，那么结果就是[samples_all,cell3_dim]
所以你看网络每层的权重参数并没变，但batch越大每层的计算量增加了。
读函数这个事吧，对于学渣来说还是太头疼了。基本上的意思就是如果你想用TensorFlow写自己batch就要用到这两个函数。
def get_Batch(data, batch_size):
#print(data.shape)测试用的，忽略这一行
input_queue = tf.train.slice_input_producer([你自己数据的名字噢], num_epochs=这块一定要改好，小编吃过亏, shuffle=True（随机）, capacity=64 )
x_batch = tf.train.batch(input_queue, batch_size=batch_size, num_threads=1, capacity=64, allow_smaller_final_batch=False)
return x_batch
#引用函数就可以了
f = get_Batch(train_data,batch_size)
#f就是你的训练集不知道还有什么补充的没有，如果想起来会修改的。如果有说错的地方，大家要指出来啊。
今日的文案收工啦！