机器学习中Batch Size、Iteration和Epoch的概念

机器学习中Batch Size、Iteration和Epoch的概念

Epoch一个epoch指代所有的数据送入网络中完成一次前向计算及反向传播的过程。由于一个epoch常常太大,计算机无法负荷,我们会将它分成几个较小的batches。那么,为什么我们需要多个epoch呢?我们都知道,在训练时,将所有数据迭代训练一次是不够的,需要反复多次才能拟合收敛。在实际训练时,我们将所有数据分成几个batch,每次送入一部分数据,梯度下降本身就是一个迭代过程,所以单个epoch更新权重是不够的。下图展示了使用不同个数epoch训练导致的结果。

机器学习中Batch Size、Iteration和Epoch的概念_第1张图片

可见,随着epoch数量的增加,神经网络中权重更新迭代的次数增多,曲线从最开始的不拟合状态,慢慢进入优化拟合状态,最终进入过拟合。因此,epoch的个数是非常重要的。那么究竟设置为多少才合适呢?恐怕没有一个确切的答案。对于不同的数据库来说,epoch数量是不同的。但是,epoch大小与数据集的多样化程度有关,多样化程度越强,epoch应该越大。Batch Size所谓Batch就是每次送入网络中训练的一部分数据,而Batch Size就是每个batch中训练样本的数量上文提及,每次送入训练的不是所有数据而是一小部分数据,另外,batch size 和batch numbers不是同一个概念~Batch size大小的选择也至关重要。为了在内存效率和内存容量之间寻求最佳平衡,batch size应该精心设置,从而最优化网络模型的性能及速度。下图为batch size不同数据带来的训练结果,其中,蓝色为所有数据一并送入训练,也就是只有1个batch,batch内包含所有训练样本。绿色为minibatch,即将所有数据分为若干个batch,每个batch内包含一小部分训练样本。红色为随机训练,即每个batch内只有1个训练样本。

机器学习中Batch Size、Iteration和Epoch的概念_第2张图片

上图可见,蓝色全数据效果更好,当数据量较小,计算机可以承载的时候可以采取这种训练方式。绿色的mini分批次训练精度略有损失,而红色的随机训练,难以达到收敛状态。Iterations所谓iterations就是完成一次epoch所需的batch个数。刚刚提到的,batch numbers就是iterations。简单一句话说就是,我们有2000个数据,分成4个batch,那么batch size就是500。运行所有的数据进行训练,完成1个epoch,需要进行4次iterations。

作者:XDTY17_LK
链接:https://www.jianshu.com/p/e5076a56946c/
来源:简书
简书著作权归作者所有,任何形式的转载都请联系作者获得授权并注明出处。

epoch表示迭代周期,batchs表示批次数,一个epoch表示模型遍历并处理过所有样本一次;

batch表示批次数,批次数 = 样本个数 /batchSize ;

batchSize表示批次大小,如bathSize=5,代表模型处理完5个样本后,进行一次前向传播和反向传播;

step表示模型步数。step = epoch * batchSize。

https://blog.csdn.net/taylar1357/article/details/89303983

你可能感兴趣的:(o,机器学习)