是的，不同的batch_size会影响RNN的训练结果。具体来说，较小的batch_size可能会导致过拟合，而较大的batch_size可能会降低收敛速度和分类准确率。因此，选择适当的batch_size对于RNN模型的训练至关重要。

下面是一个示例代码，展示了不同batch_size对于训练模型的影响：

import tensorflow as tf
from tensorflow.keras.layers import LSTM, Dense, Dropout
from tensorflow.keras.models import Sequential

# 假设我们有一个500个时间步长的序列和3000个训练样本
time_steps = 500
num_samples = 3000
input_dim = 100

# 创建一个相同的模型
def create_model():
    model = Sequential()
    model.add(LSTM(64, input_shape=(time_steps, input_dim)))
    model.add(Dropout(0.5))
    model.add(Dense(1, activation='sigmoid'))
    model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
    return model

# 使用不同的batch_size进行模型训练和评估
batch_sizes = [16, 32, 64, 128, 256]
for batch_size in batch_sizes:
    print(f'Using batch_size: {batch_size}')
    model = create_model()
    model.fit(X_train, y_train, batch_size=batch_size, epochs=5, validation_data=(X_val, y_val))
    loss, acc = model.evaluate(X_test, y_test, batch_size=batch_size)
    print(f'Test accuracy: {acc}')

在上面的代码中，我们创建了一个简单的LSTM模型，并使用不同的batch_size（16，32，64，128，256）进行训练和评估。通过运行该代码，我们可以检查不同的batch_size是否对模型的性能产生影响。