batchsize和数据量设置比例_(3条消息) batch size设置技巧 谈谈batchsize参数「建议收藏」

大家好，又见面了，我是你们的朋友全栈君。

深度学习中经常看到epoch、 iteration和batchsize，下面按自己的理解说说这三个的区别：

(1)batchsize：批大小。在深度学习中，一般采用SGD训练，即每次训练在训练集中取batchsize个样本训练；

(2)iteration：1个iteration等于使用batchsize个样本训练一次；

(3)epoch：1个epoch等于使用训练集中的全部样本训练一次；

举个例子，训练集有1000个样本，batchsize=10，那么：

训练完整个样本集需要：

100次iteration，1次epoch。

1.当数据量足够大的时候可以适当的减小batch_size,由于数据量太大，内存不够。但盲目减少会导致无法收敛，batch_size=1时为在线学习，也是标准的SGD，这样学习，如果数据量不大，noise数据存在时，模型容易被noise带偏，如果数据量足够大，noise的影响会被“冲淡”，对模型几乎不影响。2.batch的选择，首先决定的是下降方向，如果数据集比较小，则完全可以采用全数据集的形式。这样做的好处有两点，

1)全数据集的方向能够更好的代表样本总体，确定其极值所在。

2)由于不同权重的梯度值差别巨大，因此选取一个全局的学习率很困难。

3.增大batchsize的好处有三点：

1)内存的利用率提高了，大矩阵乘法的并行化效率提高。

2)跑完一次epoch(全数据集)所需迭代次数减少，对于相

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/127853.html原文链接：https://javaforall.cn