在深度学习模型训练过程中，批量大小（batch size）是一个重要的超参数，它决定了一次训练中将多少个样本输入到模型中进行计算。不同的批量大小会对模型的训练时间产生影响。

下面是一个使用TensorFlow框架进行深度学习模型训练，并比较不同批量大小下训练时间的示例代码：

import tensorflow as tf
from datetime import datetime

# 定义模型结构和训练参数
model = tf.keras.Sequential([
    tf.keras.layers.Dense(64, activation='relu', input_shape=(784,)),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 加载训练数据
(x_train, y_train), _ = tf.keras.datasets.mnist.load_data()
x_train = x_train.reshape(-1, 784) / 255.0
y_train = tf.keras.utils.to_categorical(y_train, num_classes=10)

# 定义不同批量大小的列表
batch_sizes = [16, 32, 64, 128]

# 遍历不同批量大小，进行训练并记录训练时间
for batch_size in batch_sizes:
    print(f"Training with batch size: {batch_size}")
    start_time = datetime.now()

    # 训练模型
    model.fit(x_train, y_train, batch_size=batch_size, epochs=5)

    end_time = datetime.now()
    training_time = end_time - start_time
    print(f"Training time: {training_time.seconds} seconds\n")

在上述代码中，我们首先定义了一个包含两个隐藏层的全连接神经网络模型，并使用MNIST手写数字数据集进行训练。然后，我们定义了一个不同批量大小的列表，遍历这些批量大小，在每个批量大小下训练模型，并记录训练时间。

注意，这里的训练时间是通过计算开始和结束时间之间的时间差来得到的，单位是秒。根据实际情况，你可以选择其他更精确的时间测量方法。

希望这个示例能够帮助你解决“不同批量大小下的深度学习模型训练时间”的问题！