首先，您可以将批量大小视为控制学习曲线平滑度的一种方式。由于批量大小很大，每次更新都会取许多错误的平均值，而这个平均损失（平均而言）并没有很大的差异。

使用 1 的批量大小，每次迭代的成本完全取决于您提供给网络的单个样本。每个样本都希望与其他样本略有不同，这将导致非常嘈杂的损失曲线。

假设模型参数非常合适，并且无论批量大小如何，模型都会收敛，您应该会得到类似的结果。但是，也有一些作品分析批量大小并显示其他权衡，通常是训练时间、内存消耗等。

最近的这篇论文 (Masters, Luschi)分析了标准数据集 (CIFAR10) 上批量大小的权衡。这是论文中的图 15，它非常简洁地显示了这一点：

警告：然而，所有模型和数据集的行为可能不同，所以不要把这样的任何结果当作事实！

我知道可以通过使用一种称为自适应池化（或 PyTorch 中的自适应平均池化）的技术来训练具有不同输入形状的模型，但是您可能必须想出自己的函数来执行这样的操作有状态LSTM约束内的事物。

因此，由于数据集的形状必须能被批量大小整除，因此有几种方法可以实现这一点：

1. 使用数据集的最高公倍数：因此，对于具有 4000 天（A 组）和 500 天（B 组）的示例数据集，您将计算

这当然限制了序列长度的可能选择，但是对于 4000 和 500 这两个示例，您可以从以下选项中进行选择：1、2、4、5、10、20、25、50、100

2. 修剪不同的数据集，以便获得适用于两者的良好序列长度

这意味着可能会遗漏一些数据，这是不可取的，但可能不会太多。

您可能会选择这两种可能性中的哪一种取决于您的特定数据集大小。使用两者可能是最佳的 - 因此修剪一些数据集以允许计算一个很好的Highest Common Factor。

您可以使用以下方法在 Python 中计算 HCF：

def hcf(a, b):
    while b:
        a, b = b, b % a
    return a

我在下面的评论中的一个最终想法：

...为了更改数据集之间的批量大小，您可以从经过训练的模型（从您的第一个数据集）复​​制它们的模型权重，然后使用下一个数据集所需的批量大小编译一个新模型，但将权重设置为相等到第一个模型的那些。这几乎就像实现有状态行为的手动方式。看看这里有一个简单的例子。