在对神经网络进行分类任务的小批量训练时，训练准确率在迭代之间剧烈波动。最可能的原因是什么？

学习率过高是导致训练准确率剧烈波动最常见的原因。过高的学习率会导致模型在优化过程中跳过最优解，甚至发散，从而在不同迭代中产生不稳定的性能。 数据集类别标签不平衡通常会导致模型偏向多数类别，降低整体准确率，但通常不会引起训练准确率的剧烈波动。禁用数据集混洗会使模型在每个 epoch 中以相同的顺序看到数据，可能导致模型记住训练样本的顺序而不是学习泛化特征，但这通常会表现为收敛缓慢或陷入局部最优，而非剧烈波动。小批量大小过大则会减少梯度更新的频率，可能导致收敛速度变慢或陷入局部最优，但同样不太可能引起剧烈的准确率波动。