引言

• 在深度学习模型训练时，一次性将所有数据用于训练很明显是不靠谱的，因为算力跟不上；一次用几条数据也是不靠谱的，因为数据小可能走的方向会随机性更大，每次修正方向以各自样本的梯度方向修正，导致更新点横冲直撞，无法完成收敛。所以在训练的时候一般都是一个batch一个bath的来，这样学习到的分布才是可靠的，那么batch的大小对训练有啥影响呢？

总结

• 合理范围内增大batch_size的好处

  • 内存利用率提高了，大矩阵乘法的并行化效率提高
  • 跑完一次epoch所需的迭代次数减少，对于相同数据量的处理速度进一步加快
  • 在一定范围内，一般来说batch_size越大，其确定的下降方向越准，引起的训练振荡越小

• 盲目增大batch_size的坏处

  • 内存容量可能撑不住
  • 跑完一次epoch所需的迭代次数减少，要想达到相同的精度，其所花费的时间大大增加，从而对参数的修正也就显得更加缓慢
  • batch_size增大到一定程度，其确定的下降方向已经基本不再变化

参考文献

[1] 深度学习中的batch的大小对学习效果有何影响？ - 程引的回答 - 知乎
https://www.zhihu.com/question/32673260/answer/71137399