Mini-batch 和batch的区别

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Mini-batch 和batch的区别相关的知识,希望对你有一定的参考价值。

原文地址:https://blog.csdn.net/weixin_39502247/article/details/80032487

深度学习的优化算法,说白了就是梯度下降。每次的参数更新有两种方式。

第一种,遍历全部数据集算一次损失函数,然后算函数对各个参数的梯度,更新梯度。这种方法每更新一次参数都要把数据集里的所有样本都看一遍,计算量开销大,计算速度慢,不支持在线学习,这称为Batch gradient descent,批梯度下降。

另一种,每看一个数据就算一下损失函数,然后求梯度更新参数,这个称为随机梯度下降,stochastic gradient descent。这个方法速度比较快,但是收敛性能不太好,可能在最优点附近晃来晃去,hit不到最优点。两次参数的更新也有可能互相抵消掉,造成目标函数震荡的比较剧烈。

为了克服两种方法的缺点,现在一般采用的是一种折中手段,mini-batch gradient decent,小批的梯度下降,这种方法把数据分为若干个批,按批来更新参数,这样,一个批中的一组数据共同决定了本次梯度的方向,下降起来就不容易跑偏,减少了随机性。另一方面因为批的样本数与整个数据集相比小了很多,计算量也不是很大。

以上是关于Mini-batch 和batch的区别的主要内容,如果未能解决你的问题,请参考以下文章

Mini-Batch Gradient Descent介绍以及如何决定Batch Size

吴恩达-深度学习-课程笔记-7: 优化算法( Week 2 )

深度学习——优化算法

零基础神经网络优化之mini-batch

在mini-batch训练中使用tqdm来创建进度条

梯度下降法(BGD & SGD & Mini-batch SGD)