如何确定训练时batch size大小_深度学习怎么判断自己最佳的batch size

目录

查看服务器最大承受的batch-size

先介绍一下nvidia-smi命令页面参数都是啥意思

实时检测显卡状态的窗口：

先定一个比较大的batch值训练并观察显卡动态信息

然后我们再逐次降低batch值再次测试

如何确定训练时batch-size大小？ 

增大batch-size好处：

过大batch-size缺点

总结

---

查看服务器最大承受的batch-size

先介绍一下nvidia-smi命令页面参数都是啥意思

 更详细的参考这位博主的：Nvidia-smi简介及常用指令及其参数说明_小C的博客-CSDN博客_nvidia

实时检测显卡状态的窗口：

watch -n 0.1 -d nvidia-smi

效果如下图： 

我这里是RTX 2060 6G显存。 

先定一个比较大的batch值训练并观察显卡动态信息

 我这里先尝试batch为64，开始训练，观察显卡动态信息：

 发现突然显存就满了，然后最后归零后提示没有进程了，再看训练页面：

OOM,芭比Q了

然后我们再逐次降低batch值再次测试

我这里由64降到32再到16，最后到8才跑起来...

 最终确定我的显卡最大batch-size是8

如何确定训练时batch-size大小？ 

        我们平时做深度学习训练模型的时候有时候不确定batch size该定多大？有没有公式可以计算呢？至少我目前没听说过有啥公式。其实大家都差不多一个操作，就是调参的过程，在显卡能力范围内选一个适中的值，过大过小都不一定好，引用大家总结的经验，其实和自己训练时的感觉差不多：

增大batch-size好处：

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。
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，前期收敛很快

过大batch-size缺点

1）迭代次数减少导致想要达到相同的精度，时间开销太大，参数的修正更加缓慢(我的理解是前后期收敛会慢下来，同样的迭代次数其实达不到小batch-size的精度)。

2）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。

总结

1）batch数太小，而类别又比较多的时候，真的可能会导致loss函数震荡而不收敛，尤其是在你的网络比较复杂的时候。
2）随着batchsize增大，处理相同的数据量的速度越快。
3）随着batchsize增大，达到相同精度所需要的epoch数量越来越多。
4）由于上述两种因素的矛盾， Batch_Size 增大到某个时候，达到时间上的最优。
5）由于最终收敛精度会陷入不同的局部极值，因此 Batch_Size 增大到某些时候，达到最终收敛精度上的最优。
6）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。同样太小的batch也存在一些问题，比如训练速度很慢，训练不容易收敛等。
7）具体的batch size的选取和训练集的样本数目相关。

        因此，batch的size设置的不能太大也不能太小，因此实际工程中最常用的就是mini-batch，一般size设置为几十或者几百。
        但是对于二阶优化算法，减小batch换来的收敛速度提升远不如引入大量噪声导致的性能下降，因此在使用二阶优化算法时，往往要采用大batch。此时往往batch设置成几千甚至一两万才能发挥出最佳性能。
        另外GPU对2的幂次的batch可以发挥更佳的性能，因此设置成16、32、64、128…时往往要比设置为整10、整100的倍数时表现更优