原因:batch_size可能太小。
增大batch_size ,震荡逐渐消失,同时在测试集的acc也提高了。但batch_size增加到一定程度时,训练集acc会小于测试集,模型欠拟合,这时,需要继续增大epoch。
总结
-
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,但是达到相同精度所需要的epoch数量也越来越多。由于这两种因素的矛盾, batch_Size 增大到某个时候,达到时间上的最优。
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。 -
盲目增大的坏处:
1)当数据集太大时,内存撑不住。
2)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。
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。
4)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。
5)具体的batch size的选取和训练集的样本数目相关。