batch_size的理解

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。

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,对于相同的数据量的处理速度进一步加快。

         3)一定范围内,batchsize越大,其确定的下降方向就越准,引起训练震荡越小。

4.盲目增大的坏处有三点:

 1)当数据集太大时,内存撑不住。

         2)跑完一次epocffe-master/tools/extra/parse_log.sh  caffe-master/tools/extra/extract_seconds.py和h(全数据集)所需迭代次数减少了,但要想达到相同的      精度,时间开销太大,参数的修正更加缓慢。

         3)batchsize增大到一定的程度,其确定的下降方向已经基本不再变化。


 总结:

         1)batch数太小,而类别又比较多的时候,真的可能会导致loss函数震荡而不收敛,尤其是在你的网络比较复杂的时候。

         2)随着batchsize增大,处理相同的数据量的速度越快。

         3)随着batchsize增大,达到相同精度所需要的epoch数量越来越多。

         4)由于上述两种因素的矛盾, Batch_Size 增大到某个时候,达到时间上的最优。

         5)由于最终收敛精度会陷入不同的局部极值,因此 Batch_Size 增大到某些时候,达到最终收敛精度上的最优。

         6)过大的batchsize的结果是网络很容易收敛到一些不好的局部最优点。同样太小的batch也存在一些问题,比如训练速度很慢,训练不容易收敛等。

         7)具体的batch size的选取和训练集的样本数目相关。

还有一个代码上的细节:就是caffe的代码实现上选取一个batch的时候似乎是按着数据库的图片顺序选取输入图片的,所以在生成数据库的时候切记要shuffle一下图片顺序。caffe中ImageDataLayer有shuffle参数,生成lmdb时也有shuffle参数不必手动。
转自:https://blog.csdn.net/YiLiang_/article/details/60467129
阅读更多
想对作者说点什么?

博主推荐

换一批

没有更多推荐了,返回首页