轉自：
先看兩個問題：
（1）深度學習中batch size的大小對訓練過程的影響是什麼樣的？
（2）有些時候不可避免地要用超大batch，比如人臉識別，可能每個batch要有幾萬甚至幾十萬張人臉影象，訓練過程中超大batch有什麼優缺點，如何儘可能地避免超大batch帶來的負面影響？
面試版回答
在不考慮Batch Normalization的情況下（這種情況我們之後會在bn的文章裡專門探討），先給個自己當時回答的答案吧（相對來說學究一點）：
（1） 不考慮bn的情況下，batch size的大小決定了深度學習訓練過程中的完成每個epoch所需的時間和每次迭代（iteration）之間梯度的平滑程度。batch size只能說影響完成每個epoch所需要的時間，決定也算不上吧。根本原因還是CPU，GPU算力吧。瓶頸如果在CPU，例如隨機資料增強，batch size越大有時候計算的越慢。
對於一個大小為N的訓練集，如果每個epoch中mini-batch的取樣方法採用最常規的N個樣本每個都取樣一次，設mini-batch大小為b，那麼每個epoch所需的迭代次數（正向+反向）為 ， 因此完成每個epoch所需的時間大致也隨著迭代次數的增加而增加。
由於目前主流深度學習框架處理mini-batch的反向傳播時，預設都是先將每個mini-batch中每個instance得到的loss平均化之後再反求梯度，也就是說每次反向傳播的梯度是對mini-batch中每個instance的梯度平均之後的結果，所以b的大小決定了相鄰迭代之間的梯度平滑程度，b太小，相鄰mini-batch間的差異相對過大，那麼相鄰兩次迭代的梯度震盪情況會比較嚴重，不利於收斂；b越大，相鄰mini-batch間的差異相對越小，雖然梯度震盪情況會比較小，一定程度上利於模型收斂，但如果b極端大，相鄰mini-batch間的差異過小，相鄰兩個mini-batch的梯度沒有區別了，整個訓練過程就是沿著一個方向蹭蹭蹭往下走，很容易陷入到區域性最小值出不來。
總結下來：batch size過小，花費時間多，同時梯度震盪嚴重，不利於收斂；batch size過大，不同batch的梯度方向沒有任何變化，容易陷入區域性極小值。
（2）（存疑，只是突發奇想）如果硬體資源允許，想要追求訓練速度使用超大batch，可以採用一次正向+多次反向的方法，避免模型陷入區域性最小值。即使用超大epoch做正向傳播，在反向傳播的時候，分批次做多次反向轉播，比如將一個batch size為64的batch，一次正向傳播得到結果，instance級別求loss（先不平均），得到64個loss結果；反向傳播的過程中，分四次進行反向傳播，每次取16個instance的loss求平均，然後進行反向傳播，這樣可以做到在節約一定的訓練時間，利用起硬體資源的優勢的情況下，避免模型訓練陷入區域性最小值。
通俗版回答
那麼我們可以把第一個問題簡化為一個小時候經常玩的遊戲：
深度學習訓練過程：貼鼻子
訓練樣本：負責指揮的小朋友們（觀察角度各不一樣）
模型：負責貼的小朋友
模型衡量指標：最終貼的位置和真實位置之間的距離大小
由於每個小朋友站的位置各不一樣，所以他們對鼻子位置的觀察也各不一樣。（訓練樣本的差異性），這時候假設小明是負責貼鼻子的小朋友，小朋友A、B、C、D、E是負責指揮的同學（A， B站在圖的右邊，C，D， E站在左邊），這時候小明如果採用：
每次隨機詢問一個同學，那麼很容易出現，先詢問到了A，A說向左2cm，再問C，C說向右5cm，然後B，B說向左4cm，D說向右3cm，這樣每次指揮的差異都比較大，結果調過來調過去，沒什麼進步。
每次隨機詢問兩個同學，每次取詢問的意見的平均，比如先問到了（A， C），A說向左2cm，C說向右5cm，那就取個均值，向右1。5cm。然後再問（B， D），這樣的話減少了極端情況（前後兩次迭代差異巨大）這種情況的發生，能更好更快的完成遊戲。
每次全問一遍，然後取均值，這樣每次移動的方向都是所有人決定的均值，這樣的話，最後就是哪邊的小朋友多最終結果就被很快的拉向哪邊了。（梯度方向不變，限於極小值）
科學版回答
就用MINST做一下實驗吧（程式碼主要轉自
http：//
cnblogs。com/jiangnanyan
）：
實驗環境：
1080ti * 1
Pytorch 0。4。1
超引數：SGD（lr = 0。02， momentum=0。5） 偷懶沒有根據batch size細調
我們先建立一個簡單的模型：
from torch。nn import *
import torch。nn。functional as F
class SimpleModel（Module）：
def __init__（self）：
super（SimpleModel， self）。__init__（）
self。conv1 = Conv2d（in_channels=1， out_channels=10， kernel_size=5）
self。conv2 = Conv2d（10， 20， 5）
self。conv3 = Conv2d（20， 40， 3）
self。mp = MaxPool2d（2）
self。fc = Linear（40， 10）
def forward（self， x）：
in_size = x。size（0）
x = F。relu（self。mp（self。conv1（x）））
x = F。relu（self。mp（self。conv2（x）））
x = F。relu（self。mp（self。conv3（x）））
x = x。view（in_size， -1）
x = self。fc（x）
print（x。size（））
return F。log_softmax（x， dim=1）
然後把MINST加載出來訓練一下：
import time
import torch
import torch。nn as nn
import torch。nn。functional as F
import torch。optim as optim
import os
from torchvision import datasets， transforms
from simple_model import SimpleModel
os。environ［‘CUDA_VISIBLE_DEVICES’］ = “0”
use_cuda = torch。cuda。is_available（）
batch_size = 6
lr = 1e-2
# MNIST Dataset
train_dataset = datasets。MNIST（root=‘。/data/’，
train=True，
transform=transforms。ToTensor（），
download=True）
test_dataset = datasets。MNIST（root=‘。/data/’，
train=False，
transform=transforms。ToTensor（））
# Data Loader （Input Pipeline）
train_loader = torch。utils。data。DataLoader（dataset=train_dataset，
batch_size=batch_size，
shuffle=True）
test_loader = torch。utils。data。DataLoader（dataset=test_dataset，
batch_size=batch_size，
shuffle=False）
model = SimpleModel（）
optimizer = optim。SGD（model。parameters（）， lr=lr， momentum=0。5）
if use_cuda：
model = nn。DataParallel（model）。cuda（）
iter_losses = ［］
def train（epoch）：
model。train（）
total_loss = 0
compution_time = 0
e_sp = time。time（）
for batch_idx， （data， target） in enumerate（train_loader）：
if use_cuda：
data = data。cuda（）
target = target。cuda（）
b_sp = time。time（）
output = model（data）
loss = F。nll_loss（output， target）
optimizer。zero_grad（）
loss。backward（）
optimizer。step（）
compution_time += time。time（） - b_sp
# optimizer。step（）
epoch_time = time。time（） - e_sp
print（‘Train Epoch： {} \t Loss： {：。6f}\t epoch time： {：。6f} s\t epoch compution time： {：。6f} s’。format（
epoch， total_loss / len（train_loader）， epoch_time， compution_time））
return total_loss / len（train_loader）
def test（）：
model。eval（）
with torch。no_grad（）：
test_loss = 0
correct = 0
for data， target in test_loader：
if use_cuda：
data = data。cuda（）
target = target。cuda（）
output = model（data）
# sum up batch loss
test_loss += F。nll_loss（output， target）。item（）
# get the index of the max log-probability
pred = output。data。max（1， keepdim=True）［1］
correct += pred。eq（target。data。view_as（pred））。cpu（）。sum（）
test_loss /= len（test_loader）
print（‘\nTest set： Average loss： {：。4f}， Accuracy： {}/{} （{：。0f}%）\n’。format（
test_loss， correct， len（test_loader。dataset），
100。 * correct / len（test_loader。dataset）））
return test_loss， 100。 * correct。item（） / len（test_loader。dataset）
if __name__ == “__main__”：
for epoch in range（1， 10000）：
train_l = train（epoch）
val_l， val_a = test（）
我們從以下指標來看一下不同batch size之間的區別：
迭代速度
感覺之前做的實驗有點不太科學，重新捋了一下思路，把時間計算的程式碼也放到了前面的程式碼之中，有興趣的同學也可以自己做一下看看。
（表中 Epoch Time是在此batch size下完成一個epoch所需的所有時間，包括載入資料和計算的時間，Epoch Computation Time拋去了載入資料所需的時間。）
（時間確實是有偏量，上面的資料可以大體做個參考，要做科學考究的話，還是要多做幾次實驗求均值減少偏差。）
其實純粹cuda計算的角度來看，完成每個iter的時間大batch和小batch區別並不大，這可能是因為本次實驗中，反向傳播的時間消耗要比正向傳播大得多，所以batch size的大小對每個iter所需的時間影響不明顯，未來將在大一點的資料庫和更復雜的模型上做一下實驗。（因為反向的過程取決於模型的複雜度，與batchsize的大小關係不大，而正向則同時取決於模型的複雜度和batch size的大小。而本次實驗中反向的過程要比正向的過程時間消耗大得多，所以batch size的大小對完成每個iter所需的耗時影響不大。）
完成每個epoch運算的所需的全部時間主要卡在：1。 load資料的時間，2。 每個epoch的iter數量。因此對於每個epoch，不管是純計算時間還是全部時間，大體上還是大batch能夠更節約時間一點，但隨著batch增大，iter次數減小，完成每個epoch的時間更取決於載入資料所需的時間，此時也不見得大batch能帶來多少的速度增益了。
梯度平滑程度
我們再來看一下不同batch size下的梯度的平滑程度，我們選取了每個batch size下前1000個iter的loss，來看一下loss的震盪情況，結果如下圖所示：
如果感覺這張圖不太好看，可以看一下這張圖：
由於現在絕大多數的框架在進行mini-batch的反向傳播的時候，預設都是將batch中每個instance的loss平均化之後在進行反向傳播，所以相對大一點的batch size能夠防止loss震盪的情況發生。從這兩張圖中可以看出batch size越小，相鄰iter之間的loss震盪就越厲害，相應的，反傳回去的梯度的變化也就越大，也就越不利於收斂。同時很有意思的一個現象，batch size為1的時候，loss到後期會發生爆炸，這主要是lr=0。02設定太大，所以某個異常值的出現會嚴重擾動到訓練過程。這也是為什麼對於較小的batchsize，要設定小lr的原因之一，避免異常值對結果造成的擾巨大擾動。而對於較大的batchsize，要設定大一點的lr的原因則是大batch每次迭代的梯度方向相對固定，大lr可以加速其收斂過程。
收斂速度
在衡量不同batch size的優劣這一點上，我選用衡量不同batch size在同樣引數下的收斂速度快慢的方法。
下表中可以看出，在minst資料集上，從整體時間消耗上來看（考慮了載入資料所需的時間），同樣的引數策略下 （lr = 0。02， momentum=0。5 ），要模型收斂到accuracy在98左右，batchsize在 6 - 60 這個量級能夠花費最少的時間，而batchsize為1的時候，收斂不到98；batchsize過大的時候，因為模型收斂快慢取決於梯度方向和更新次數，所以大batch儘管梯度方向更為穩定，但要達到98的accuracy所需的更新次數並沒有量級上的減少，所以也就需要花費更多的時間，當然這種情況下可以配合一些調參策略比如warmup LR，衰減LR等等之類的在一定程度上進行解決（這個先暫且按下不表），但也不會有本質上的改善。
不過單純從計算時間上來看，大batch還是可以很明顯地節約所需的計算時間的，原因前面講過了，主要因為本次實驗中純計算時間中，反向佔的時間比重遠大於正向。
（我一直覺得直接比較不同batch size下的絕對收斂精度來衡量batch size的好壞是沒有太大意義的，因為不同的batch size要配合不同的調參策略用才能達到其最佳效果，而要想在每個batch size下都找到合適的調參策略那可太難了，所以用這種方法來決定batch size未免有點武斷。）
