Что меняется при обучении с несколькими обучающими выборками?backpropagation

ничего в алгоритме обучения не меняется.
изменятся только исходные данные которыми являются "выборки"

Когда вы обучаете нейросеть с несколькими обучающими примерами, будут меняться несколько аспектов алгоритма. Вот некоторые из них:

Изменение размерности данных: Вы должны изменить размерность входных данных, чтобы она соответствовала новым обучающим примерам. Например, если вы обучали нейросеть на одном изображении размером 32x32 пикселя, а теперь у вас есть несколько изображений размером 64x64 пикселя, вам нужно изменить размерность входных данных на новое значение.

Изменение размерности весов и смещений: Веса и смещения нейросети также зависят от размерности входных данных. При использовании нескольких обучающих примеров вам нужно изменить размерность весов и смещений, чтобы они соответствовали новым данным.

Изменение размеров скрытых слоев: Если вы использовали один скрытый слой с, например, 100 нейронами в предыдущем алгоритме, то при наличии нескольких обучающих примеров возможно потребуется изменить размер скрытых слоев. Например, вы можете использовать несколько скрытых слоев или изменить количество нейронов в каждом слое в зависимости от сложности задачи.

Алгоритм обновления весов: При обучении с несколькими обучающими примерами вы можете изменить алгоритм обновления весов. Некоторые из популярных методов обновления весов - градиентный спуск и стохастический градиентный спуск. В зависимости от размера вашей обучающей выборки и доступных ресурсов вы можете выбрать наиболее подходящий метод.

Повторение итераций обучения: Когда у вас есть несколько обучающих примеров, обычно требуется больше итераций обучения для вычисления весов и определения модели нейросети. Поэтому вам может понадобиться увеличить количество итераций в алгоритме обучения.

Это лишь некоторые из аспектов, которые нужно учесть при обучении нейросети с несколькими обучающими примерами. Конкретные изменения зависят от задачи и используемого алгоритма.