先上几个术语:
Epoch 完整向神经网络传递一次数据集
Batchsize 将完整的数据分为几块, 块的大小就是Batchsize, 块的数量就是iteration,
Iteration 一个epoch 中神经网络参数更新的次数,
三者之间的关系: Epoch = Batchsize * iteration
更新: 一次迭代过程中,得到网络输出的结果与label通过损失函数计算出loss, 进行BP算法由后往前逐层计算参数关于损失函数的偏导数, 配合lr对参数进行更新.
目前主流的深度学习框架处理mini-batch的反向传播时, 默认一个batch的梯度就是对batch中的每个instance所求的梯度的平均. 因此batchsize越大相邻两个迭代之间的差异就越小, 模型的训练过程就容易陷入局部最优值;但是batchsize越小则相邻两个迭代之间的差异太大, 模型训练过程就会出现loss震荡,导致无法收敛.
那么如何选择呢?
处理图片的话一般, 8, 16, 32,