一次輸入網路中的樣本數。

理想情況下batchsize最好就是所有訓練樣本數，因為記憶體視訊記憶體限制，不現實。所以就用少量的樣本近似整個訓練集。

因此，batchsize越大，訓練越容易收斂，學習速率也就可以大一些。

一個batch內的樣本抽樣最好是覆蓋所有種類的樣本，儘可能的模擬原訓練集的分佈，這樣訓練容易收斂點。

通常情況下，神經網路需要訓練大量的樣本，使得結果收斂從而擬合實際情況。

但是，當訓練樣本的數量十分巨大的時候，我們不可能將所有資料一起讀入記憶體，然後訓練，這就需要將這些資料分成多組進行訓練。

神經網路訓練一組資料稱為batch，batch的size指的是這組訓練資料的數量。

假設訓練資料滿足正態分佈，那麼，batch的size越大，這一組資料與訓練資料越容易擬合即特徵損失越小，那麼就會有越好的收斂效果和效率。

但是size太大，記憶體又會不足，batch的size的選擇應該根據需要達到時間，空間，效果的平衡。

除此之外，BatchNormalization也可以大大提高訓練的效果和收斂速率。