目录
3.5.3 在合理范围内,增大Batch_Size有何好处?
既然 Full Batch Learning 并不适用大数据集,那么走向另一个极端怎么样?
3.5.5 调节 Batch_Size 对训练效果影响到底如何?
3.5 Batch_Size
3.5.1 为什么需要 Batch_Size?
Batch的选择,首先决定的是下降的方向。
如果数据集比较小,可采用全数据集的形式,好处是:
- 由全数据集确定的方向能够更好地代表样本总体,从而更准确地朝向极值所在的方向。
- 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。 Full Batch Learning 可以使用 Rprop 只基于梯度符号并且针对性单独更新各权值。
对于更大的数据集,假如采用全数据集的形式,坏处是:
- 随着数据集的海量增长和内存限制,一次性载入所有的数据进来变得越来越不可行。
- 以 Rprop 的方式迭代,会由于各个 Batch 之间的采样差异性,各次梯度修正值相互抵消,无法修正。这才有了后来 RMSProp 的妥协方案。
3.5.2 Batch_Size 值的选择
假如每次只训练一个样本