批量训练中迭代次数的计算

使用批量训练时，有四个概念：

• 训练数据的大小（size of train data）：指的是用于训练模型的全部数据量。
• 批量大小（batch size）：指的是每次迭代训练时，模型所处理的样本数量。
• 轮次（epoch）：是指全部的训练数据被完整地传入模型的次数。
• 迭代次数（iteration）：表示完成训练所需要的更新参数的次数。在每个轮次中，模型会处理多个批次的数据，每处理完一个批次就进行一次参数更新，这个更新的次数即为迭代次数。

迭代次数的计算公式如下（能整除的情况）：

如果不能整除，在 PyTorch 中默认是加一。公式为：

PyTorch 文档：https://pytorch.org/docs/stable/data.html#torch.utils.data.DataLoader

其中，drop_last 参数默认为 False，也就是不丢弃，将剩余样本组成一个不完整的批次：

from torch.utils.data import DataLoader
train_loader = DataLoader(dataset, batch_size=batch_size, shuffle=True, drop_last=False)

批量大小的考虑：

• 较小的批量大小可能导致每个批次的梯度具有较大的方差，这可能导致训练过程中的震荡。
• 较大的批量大小可能导致模型陷入局部最优解，因为每个批次之间的数据分布相似。

选择合适的批量大小需要考虑到数据集的大小、模型的复杂度、计算资源的限制等因素，通常需要通过实验来验证确定最佳的批量大小，从而实现训练过程稳定性、模型泛化性能以及计算效率的提升。

100 次浏览

【说明：本站主要是个人的一些笔记和代码分享，内容可能会不定期修改。为了使全网显示的始终是最新版本，这里的文章未经同意请勿转载。引用请注明出处：https://www.guanjihuan.com】