神经网络中的Epoch、Iteration、Batchsize

Posted 2023-03-26

参考技术A 神经网络中epoch与iteration是不相等的

1）batchsize：中文翻译为批大小（批尺寸）。在深度学习中，一般采用SGD训练，即每次训练在 训练集中取batchsize个样本训练 ；

2）iteration：中文翻译为迭代， 1个iteration等于使用batchsize个样本训练一次 ；一个迭代 = 一个正向通过+一个反向通过

3）epoch：迭代次数， 1个epoch等于使用训练集中的全部样本训练一次 ；一个epoch = 所有训练样本的一个正向传递和一个反向传递

举个例子，训练集有1000个样本，batchsize=10，那么：训练完整个样本集需要：100次iteration，1次epoch。

训练神经网络中的Epoch和Iteration

参考技术A

神经网络的训练中我们常常能遇到 Epoch 和 Iteration 这两个不同的词。

两个词都表示“轮次”的意思，显然这两个“轮次”的含义并不相同。

在解释这两个词的不同之前，我们先引入三种梯度下降策略：
1.Batch Grandient Descent（BGD，批梯度下降）
2.Stochastic Gradient Descent(SGD，随机梯度下降)
3.Mini-Batch Gradient Descent(MBGD，小批量梯度下降)

BGD ：每次迭代的时候用所有的样本来参与参数的更新。这种方法需要同时把所有的样本都加载进内存进行计算，这样无疑会导致内存的负载过大。

SGD :每次迭代使用一个样本来对参数进行更新。这种方法虽然速度快，但单个样本的损失往往不能代表总体样本的损失情况，而且单个样本的损失往往容易受到噪声的影响，所以这种方法往往难以收敛。

MBGD :是对上面两种策略的折中，相当于每次迭代使用 batch_size 个样本来对参数进行更新。若是batch_size选择合适，则每次迭代的损失既能表征总体的损失的情况，也能降低内存的负载压力，提升内存的利用率，也提升网络训练的速度。

BatchSize :一次训练所选取的样本数。

Iteration :使用一个batch_size数量的样本训练一次。 一个Iteration，参数更新一次。

Epoch ：所有的样本都训练一次，即（total / batch_size）个Iteration的训练。 一个Epoch，参数更新了（total / batch_size）次