简化分批法和一般分批法的区别在哪里

简化分批法和一般分批法区别项很多，他们的区别主要在于以下几个方面：

一、简化分批法更加简单，遵循“大小两把分”的原则，将训练数据分成两类：大样本和小样本。大样本用来对模型进行整体参数训练，小样本用来更新模型的具体参数。根据大小样本比例的不同，简化分批法分为全局性简化分批法和局部性简化分批法。

二、一般分批法将训练数据分成一个一个小的batch，用来分步更新模型参数的数量。其中每一步更新的量和数据规模有关，这样能够加快训练速度，减少梯度下降过程中计算量。

总的来说，简化分批法是通过分类训练数据来更新模型参数，而一般分批法是通过分割训练数据来更新模型参数。这两种方法都具有优势，但在不同情景下，使用不同的分批法可以更好地实现训练的效果，更接近最优解。

拓展知识：正则化分批法是近几年提出的一种新型分批法，它主要是根据模型的正则化泛函来选择样本，来进行迭代更新模型参数。这种技术可以减少训练时间，提高模型准确率，可以更好地适应大规模数据集训练。