我正在使用以下LSTM结构：

layers = [ ...    sequenceInputLayer(1)    bilstmLayer(100,'OutputMode','last')    fullyConnectedLayer(2)    softmaxLayer    classificationLayer    ];options = trainingOptions('adam', ...    'MaxEpochs',30, ...    'MiniBatchSize', 150, ...    'InitialLearnRate', 0.01, ...    'GradientThreshold', 1, ...    'plots','training-progress', ...    'Verbose',false);

以及 net = trainNetwork(XTrain,Ytrain,layers,options);

其中

• Xtrain 是一个1×100的单元数组（Xtrain{1,1} 提供一个大小为1000×1的数据数组，Xtrain{1,2} 是另一个大小为1000×1的数据数组，等等）。这意味着我有100个特征向量示例，每个示例的维度为1000。

• Ytrain 是响应变量0/1，大小为100×1的数组。响应类型为双精度数。

我简单地将MiniBatchSize参数设为150。我也尝试了其他值，比如50、60、70…似乎都没有影响性能。所以我不完全明白这个参数的含义，以及如何为它找到一个合适的值。能有人帮助解释一下这是什么意思，以及理想情况下应该是什么吗？谢谢

回答：

该参数的解释可以在Mathworks文档页面上找到：

用于每次训练迭代的迷你批量大小，指定为由MiniBatchSize和正整数组成的逗号分隔对。迷你批量是用于评估损失函数梯度和更新权重的训练集的子集。参见随机梯度下降法。

关于它的含义，网络上有几个答案，既有Stackexchange网站上的这里和这里，也有网络上的其他地方。一般来说，它应该影响你的优化算法的收敛，以及计算过程中使用的内存量。
请注意，现在普遍认为使用较小的批量大小更好，只要你的训练数据不是太多。