Batch size – liczba przykładów przetwarzanych w jednym kroku.

Jest to parametr określający liczbę próbek danych, które są przetwarzane jednocześnie w trakcie jednej iteracji treningu modelu uczenia maszynowego. W kontekście sieci neuronowych, podczas aktualizacji wag, dane dzielone są na mniejsze grupy zamiast analizowania całego zbioru treningowego naraz, co pozwala na bardziej efektywne i stabilne uczenie się.

Wielkość tego parametru wpływa na szybkość uczenia oraz jakość modelu – mniejsze wartości prowadzą do bardziej szumowych i częstszych aktualizacji wag, co może sprzyjać lepszemu uogólnieniu, natomiast większe wartości zapewniają stabilniejsze i mniej hałaśliwe kroki optymalizacji, kosztem większego zapotrzebowania na pamięć operacyjną. Dobór odpowiedniej liczby jest zatem kompromisem między efektywnością obliczeniową a dokładnością modelu.