PyTorch深度学习实战（7）——批大小对神经网络训练的影响

0. 前言

在神经网络中，批( batch )是指一次输入网络进行训练或推断的一组样本。批处理( batch processing )是指将这一组样本同时输入网络进行计算的操作。本节中首先介绍批( Batch )的基本概念，并且介绍批大小在神经网络训练过程中的影响。

1. 批处理概念

在深度学习中，批( Batch )是指一次输入神经网络的一组样本，批处理的思想是将多个样本同时输入网络进行计算，通过并行化的方式提高计算效率。
在神经网络训练中，训练数据集 Fashion MNIST 中每批包含 32 个数据样本，每个 epoch 中权重的更新次数较多，每个 epoch 会更新 1,875 次权重( 60,000/32 ≈ 1,875，其中 60,000 是训练图像的数量)。此外，并没有考虑模型对未见过的数据集(验证数据集)上的性能。

在本节中，我们将进行以下实验：

• 当训练批大小为 32 时，观察模型在训练和验证数据上的损失和准确度
• 当训练批大小为 30,000 时，观察模型在训练和验证数据上的损失和准确度

如果需要使用验证数据，计算模型在验证数据集上的损失和准确度，需要获取验证数据。

<