作为硕士学位项目的一部分，我试图构建一个对象检测模型。
当我们使用神经网络时，批量大小是一个重要的超参数。从我之前学到的问题中，每个小批量都是随机采样的，没有从数据集中替换(https://stats.stackexchange.com/questions/235844/should-training-samples-randomly-drawn-for-mini-batch-training-neural-nets-be-dr)。
然而，我不确定TFOD对迷你批次的处理方法：
- TFOD如何将训练数据中的图像采样到小批量中？(随机抽样，不更换？(
- 如果我们在没有替换的情况下采样，并到达数据集的末尾，我们该怎么办？数据是否重复
我试图在TFOD框架的内部函数中寻找答案，但只找到了dataset_builder.build((函数，该函数只构建准备好的数据集，但不负责批量采样。
如果有任何想法，我将不胜感激！谢谢你们！
def build(
input_reader_config,
batch_size=None,
transform_input_data_fn=None,
input_context=None,
reduce_to_frame_fn=None,
):
"""Builds a tf.data.Dataset."""
此问题(或答案(并非特定于对象检测。你有同样的"；"问题"；在其他任务中，尽可能远地使用梯度递减算法训练模型。
首先要注意的是，我们为什么需要批量：因为梯度太重，成本太高，无法同时为所有数据集计算。因此，为了降低这一成本(特别是在内存方面(，你不需要为整个数据集计算梯度，而是需要取更小的样本，称为批次：你对一个小批次进行采样，比如说，上面有32个例子，然后计算梯度并更新权重。这被称为训练步骤，需要重复进行，直到对所有数据集进行采样。在每个步骤中，随机抽取一批32个样本，不替换。
一旦所有训练数据集都被馈送到模型，一个epoch就完成了。
例如，如果您的数据集包含320个示例，并且您使用的批量大小为32，则10个训练步骤将完成一个历元。
从实现的角度来看，通常数据集在历元开始之前被打乱，然后打乱的数据被连续分批返回，类似于这样：
def sample_data(dataset_list, batch_size):
np.random.shuffle(dataset_list)
for i in range(0, len(dataset_list), batch_size):
yield dataset_list[i:i+batch_size]
通常，这种逻辑已经在tensorflow或torch等标准包中实现。
也就是说，通常一个时代是不够的，所以，一旦结束，你就开始另一个时代。划时代的正确数量实际上取决于问题。
最后，考虑一下，在某些特殊情况下，可能不会定义历元，比如在强化学习问题中，还有其他情况下，采样不是均匀随机的，甚至是替换的，但这些不是标准。