TensorFlow更新模型變量。它能一次操作一個數據點，也可以一次操作大量數據。一個訓練例子上的操作可能導致比較“古怪”的學習過程，但使用大批量的訓練會造成計算成本昂貴。到底選用哪種訓練類型對機器學習算法的收斂非常關鍵。

為了TensorFlow計算變量梯度來讓反向傳播工作，我們必須度量一個或者多個樣本的損失。

隨機訓練會一次隨機抽樣訓練數據和目標數據對完成訓練。另外一個可選項是，一次大批量訓練取平均損失來進行梯度計算，批量訓練大小可以一次上擴到整個數據集。這里將顯示如何擴展前面的回歸算法的例子——使用隨機訓練和批量訓練。

批量訓練和隨機訓練的不同之處在于它們的優化器方法和收斂。

# 隨機訓練和批量訓練#----------------------------------## This python function illustrates two different training methods:# batch and stochastic training. For each model, we will use# a regression model that predicts one model variable.import matplotlib.pyplot as pltimport numpy as npimport tensorflow as tffrom tensorflow.python.framework import opsops.reset_default_graph()# 隨機訓練:# Create graphsess = tf.Session()# 聲明數據x_vals = np.random.normal(1, 0.1, 100)y_vals = np.repeat(10., 100)x_data = tf.placeholder(shape=[1], dtype=tf.float32)y_target = tf.placeholder(shape=[1], dtype=tf.float32)# 聲明變量 (one model parameter = A)A = tf.Variable(tf.random_normal(shape=[1]))# 增加操作到圖my_output = tf.multiply(x_data, A)# 增加L2損失函數loss = tf.square(my_output - y_target)# 初始化變量init = tf.global_variables_initializer()sess.run(init)# 聲明優化器my_opt = tf.train.GradientDescentOptimizer(0.02)train_step = my_opt.minimize(loss)loss_stochastic = []# 運行迭代for i in range(100): rand_index = np.random.choice(100) rand_x = [x_vals[rand_index]] rand_y = [y_vals[rand_index]] sess.run(train_step, feed_dict={x_data: rand_x, y_target: rand_y}) if (i+1)%5==0:  print('Step #' + str(i+1) + ' A = ' + str(sess.run(A)))  temp_loss = sess.run(loss, feed_dict={x_data: rand_x, y_target: rand_y})  print('Loss = ' + str(temp_loss))  loss_stochastic.append(temp_loss)# 批量訓練:# 重置計算圖ops.reset_default_graph()sess = tf.Session()# 聲明批量大小# 批量大小是指通過計算圖一次傳入多少訓練數據batch_size = 20# 聲明模型的數據、占位符x_vals = np.random.normal(1, 0.1, 100)y_vals = np.repeat(10., 100)x_data = tf.placeholder(shape=[None, 1], dtype=tf.float32)y_target = tf.placeholder(shape=[None, 1], dtype=tf.float32)# 聲明變量 (one model parameter = A)A = tf.Variable(tf.random_normal(shape=[1,1]))# 增加矩陣乘法操作（矩陣乘法不滿足交換律）my_output = tf.matmul(x_data, A)# 增加損失函數# 批量訓練時損失函數是每個數據點L2損失的平均值loss = tf.reduce_mean(tf.square(my_output - y_target))# 初始化變量init = tf.global_variables_initializer()sess.run(init)# 聲明優化器my_opt = tf.train.GradientDescentOptimizer(0.02)train_step = my_opt.minimize(loss)loss_batch = []# 運行迭代for i in range(100): rand_index = np.random.choice(100, size=batch_size) rand_x = np.transpose([x_vals[rand_index]]) rand_y = np.transpose([y_vals[rand_index]]) sess.run(train_step, feed_dict={x_data: rand_x, y_target: rand_y}) if (i+1)%5==0:  print('Step #' + str(i+1) + ' A = ' + str(sess.run(A)))  temp_loss = sess.run(loss, feed_dict={x_data: rand_x, y_target: rand_y})  print('Loss = ' + str(temp_loss))  loss_batch.append(temp_loss)plt.plot(range(0, 100, 5), loss_stochastic, 'b-', label='Stochastic Loss')plt.plot(range(0, 100, 5), loss_batch, 'r--', label='Batch Loss, size=20')plt.legend(loc='upper right', prop={'size': 11})plt.show()