在一個分類任務中，使用 mini-batches 訓練神經網路時，訓練準確度在迭代之間劇烈波動。最可能的原因是什麼？

學習率設定太高是最可能的原因。過高的學習率會導致模型在每次迭代中更新權重時步長過大，使得優化器在損失函數的曲面上跳過最佳點，甚至發散，從而導致訓練準確度劇烈波動。 資料集中的類別標籤不平衡通常會導致模型偏向多數類別，但不會直接造成訓練準確度在迭代之間劇烈波動。在 epoch 之間停用了資料集的隨機排序會導致模型在每個 epoch 中以相同的順序看到資料，可能導致模型過度擬合特定順序的資料，但通常不會引起劇烈的波動。mini-batch 的大小太大會導致每次權重更新的頻率降低，並且可能需要更多的記憶體，但通常會使訓練過程更平滑，而不是劇烈波動。