《深度学习详解》3.2节中关于批量和动量的主要内容总结：
批量的概念：在深度学习训练过程中，数据不是一次性全部用于计算梯度，而是被分成多个小批量（batch），每个批量包含一定数量的数据。每个批量的损失函数用于计算梯度并更新模型参数。
批量大小对梯度下降法的影响：
两种极端情况：
批量梯度下降法（Batch Gradient Descent, BGD）：使用全部数据作为批量，计算稳定但每次更新需要等待所有数据处理完毕，计算量大。
随机梯度下降法（Stochastic Gradient Descent, SGD）：批量大小为1，每次只用一个数据点更新参数，引入了随机性，更新方向可能会曲折，但有助于逃离局部最小值。
计算时间：考虑并行运算，批量大小较小时，完成一个回合的时间较长；批量大小较大时，GPU计算梯度并更新参数的时间会增加，但在一定范围内，如从1到1000，时间几乎相同。
训练效果：实验表明，过大的批量大小可能会导致模型在验证集上准确率降低，而小的批量梯度有噪声，但对训练和测试有帮助，能避免陷入局部最小值。
动量法（Momentum Method）：一种改进的梯度下降方法，通过结合当前梯度和之前更新的方向来更新参数，有助于模型更快收敛，并且能够越过一些小的局部最小值或鞍点。
动量法的数学表达：动量\( m \)可以看作是之前所有梯度的加权和，更新规则可以表示为：
\[
m_{t} = \lambda m_{t-1} - \eta g_{t}
\]
其中，\( m_{t} \)是第\( t \)步的动量，\( \lambda \)是动量参数，\( \eta \)是学习率，\( g_{t} \)是第\( t \)步的梯度。
具体计算：每一步的移动方向由梯度反方向加上前一步移动方向决定，移动量可以表示为之前所有计算梯度的加权和。
动量法的优势：动量法可以增加参数更新的稳定性，减少震荡，有助于模型更快收敛到全局最小值。
我关于3.2.1批量大小对梯度下降法的影响 的疑问
指的是 同一个损失函数算出两个不同的损失函数值L1、L2 还是 两个不同的损失函数L1、L2？问了LLM：
