轉(zhuǎn)自：面試中問你 Batch Size大小對訓(xùn)練過程的影響?mp.weixin.qq.com

先看兩個(gè)問題：

(1)深度學(xué)習(xí)中batch size的大小對訓(xùn)練過程的影響是什么樣的？

(2)有些時(shí)候不可避免地要用超大batch，比如人臉識(shí)別，可能每個(gè)batch要有幾萬甚至幾十萬張人臉圖像，訓(xùn)練過程中超大batch有什么優(yōu)缺點(diǎn)，如何盡可能地避免超大batch帶來的負(fù)面影響？面試版回答

在不考慮Batch Normalization的情況下(這種情況我們之后會(huì)在bn的文章里專門探討)，先給個(gè)自己當(dāng)時(shí)回答的答案吧(相對來說學(xué)究一點(diǎn))：

(1) 不考慮bn的情況下，batch size的大小決定了深度學(xué)習(xí)訓(xùn)練過程中的完成每個(gè)epoch所需的時(shí)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(gè)epoch所需要的時(shí)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(jī)數(shù)據(jù)增強(qiáng)，batch size越大有時(shí)候計(jì)算的越慢。

對于一個(gè)大小為N的訓(xùn)練集，如果每個(gè)epoch中mini-batch的采樣方法采用最常規(guī)的N個(gè)樣本每個(gè)都采樣一次，設(shè)mini-batch大小為b，那么每個(gè)epoch所需的迭代次數(shù)(正向+反向)為 , 因此完成每個(gè)epoch所需的時(shí)間大致也隨著迭代次數(shù)的增加而增加。

由于目前主流深度學(xué)習(xí)框架處理mini-batch的反向傳播時(shí)，默認(rèn)都是先將每個(gè)mini-batch中每個(gè)instance得到的loss平均化之后再反求梯度，也就是說每次反向傳播的梯度是對mini-batch中每個(gè)instance的梯度平均之后的結(jié)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，那么相鄰兩次迭代的梯度震蕩情況會(huì)比較嚴(yán)重，不利于收斂；b越大，相鄰mini-batch間的差異相對越小，雖然梯度震蕩情況會(huì)比較小，一定程度上利于模型收斂，但如果b極端大，相鄰mini-batch間的差異過小，相鄰兩個(gè)mini-batch的梯度沒有區(qū)別了，整個(gè)訓(xùn)練過程就是沿著一個(gè)方向蹭蹭蹭往下走，很容易陷入到局部最小值出不來。

總結(jié)下來：batch size過小，花費(fèi)時(shí)間多，同時(shí)梯度震蕩嚴(yán)重，不利于收斂；batch size過大，不同batch的梯度方向沒有任何變化，容易陷入局部極小值。

(2)(存疑，只是突發(fā)奇想)如果硬件資源允許，想要追求訓(xùn)練速度使用超大batch，可以采用一次正向+多次反向的方法，避免模型陷入局部最小值。即使用超大epoch做正向傳播，在反向傳播的時(shí)候，分批次做多次反向轉(zhuǎn)播，比如將一個(gè)batch size為64的batch，一次正向傳播得到結(jié)果，instance級別求loss(先不平均)，得到64個(gè)loss結(jié)果；反向傳播的過程中，分四次進(jìn)行反向傳播，每次取16個(gè)instance的loss求平均，然后進(jìn)行反向傳播，這樣可以做到在節(jié)約一定的訓(xùn)練時(shí)間，利用起硬件資源的優(yōu)勢的情況下，避免模型訓(xùn)練陷入局部最小值。通俗版回答

那么我們可以把第一個(gè)問題簡化為一個(gè)小時(shí)候經(jīng)常玩的游戲：

深度學(xué)習(xí)訓(xùn)練過程：貼鼻子

訓(xùn)練樣本：負(fù)責(zé)指揮的小朋友們(觀察角度各不一樣)

模型：負(fù)責(zé)貼的小朋友

模型衡量指標(biāo)：最終貼的位置和真實(shí)位置之間的距離大小

由于每個(gè)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(xùn)練樣本的差異性)，這時(shí)候假設(shè)小明是負(fù)責(zé)貼鼻子的小朋友，小朋友A、B、C、D、E是負(fù)責(zé)指揮的同學(xué)(A, B站在圖的右邊，C，D， E站在左邊)，這時(shí)候小明如果采用：每次隨機(jī)詢問一個(gè)同學(xué)，那么很容易出現(xiàn)，先詢問到了A，A說向左2cm，再問C，C說向右5cm，然后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(jié)果調(diào)過來調(diào)過去，沒什么進(jìn)步。

每次隨機(jī)詢問兩個(gè)同學(xué)，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(gè)均值，向右1.5cm。然后再問(B, D)，這樣的話減少了極端情況(前后兩次迭代差異巨大)這種情況的發(fā)生，能更好更快的完成游戲。

每次全問一遍，然后取均值，這樣每次移動(dòng)的方向都是所有人決定的均值，這樣的話，最后就是哪邊的小朋友多最終結(jié)果就被很快的拉向哪邊了。(梯度方向不變，限于極小值)科學(xué)版回答

實(shí)驗(yàn)環(huán)境：

1080ti * 1

Pytorch 0.4.1

超參數(shù)：SGD(lr = 0.02, momentum=0.5) 偷懶沒有根據(jù)batch size細(xì)調(diào)

我們先創(chuàng)建一個(gè)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)

然后把MINST加載出來訓(xùn)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(biāo)來看一下不同batch size之間的區(qū)別：

迭代速度

感覺之前做的實(shí)驗(yàn)有點(diǎn)不太科學(xué)，重新捋了一下思路，把時(shí)間計(jì)算的代碼也放到了前面的代碼之中，有興趣的同學(xué)也可以自己做一下看看。

(表中 Epoch Time是在此batch size下完成一個(gè)epoch所需的所有時(shí)間，包括加載數(shù)據(jù)和計(jì)算的時(shí)間，Epoch Computation Time拋去了加載數(shù)據(jù)所需的時(shí)間。)

(時(shí)間確實(shí)是有偏量，上面的數(shù)據(jù)可以大體做個(gè)參考，要做科學(xué)考究的話，還是要多做幾次實(shí)驗(yàn)求均值減少偏差。)

其實(shí)純粹cuda計(jì)算的角度來看，完成每個(gè)iter的時(shí)間大batch和小batch區(qū)別并不大，這可能是因?yàn)楸敬螌?shí)驗(yàn)中，反向傳播的時(shí)間消耗要比正向傳播大得多，所以batch size的大小對每個(gè)iter所需的時(shí)間影響不明顯，未來將在大一點(diǎn)的數(shù)據(jù)庫和更復(fù)雜的模型上做一下實(shí)驗(yàn)。(因?yàn)榉聪虻倪^程取決于模型的復(fù)雜度，與batchsize的大小關(guān)系不大，而正向則同時(shí)取決于模型的復(fù)雜度和batch size的大小。而本次實(shí)驗(yàn)中反向的過程要比正向的過程時(shí)間消耗大得多，所以batch size的大小對完成每個(gè)iter所需的耗時(shí)影響不大。)

完成每個(gè)epoch運(yùn)算的所需的全部時(shí)間主要卡在：1. load數(shù)據(jù)的時(shí)間，2. 每個(gè)epoch的iter數(shù)量。因此對于每個(gè)epoch，不管是純計(jì)算時(shí)間還是全部時(shí)間，大體上還是大batch能夠更節(jié)約時(shí)間一點(diǎn)，但隨著batch增大，iter次數(shù)減小，完成每個(gè)epoch的時(shí)間更取決于加載數(shù)據(jù)所需的時(shí)間，此時(shí)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(gè)batch size下前1000個(gè)iter的loss，來看一下loss的震蕩情況，結(jié)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：

由于現(xiàn)在絕大多數(shù)的框架在進(jìn)行mini-batch的反向傳播的時(shí)候，默認(rèn)都是將batch中每個(gè)instance的loss平均化之后在進(jìn)行反向傳播，所以相對大一點(diǎn)的batch size能夠防止loss震蕩的情況發(fā)生。從這兩張圖中可以看出batch size越小，相鄰iter之間的loss震蕩就越厲害，相應(yīng)的，反傳回去的梯度的變化也就越大，也就越不利于收斂。同時(shí)很有意思的一個(gè)現(xiàn)象，batch size為1的時(shí)候，loss到后期會(huì)發(fā)生爆炸，這主要是lr=0.02設(shè)置太大，所以某個(gè)異常值的出現(xiàn)會(huì)嚴(yán)重?cái)_動(dòng)到訓(xùn)練過程。這也是為什么對于較小的batchsize，要設(shè)置小lr的原因之一，避免異常值對結(jié)果造成的擾巨大擾動(dòng)。而對于較大的batchsize，要設(shè)置大一點(diǎn)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(yōu)劣這一點(diǎn)上，我選用衡量不同batch size在同樣參數(shù)下的收斂速度快慢的方法。

下表中可以看出，在minst數(shù)據(jù)集上，從整體時(shí)間消耗上來看(考慮了加載數(shù)據(jù)所需的時(shí)間)，同樣的參數(shù)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(gè)量級能夠花費(fèi)最少的時(shí)間，而batchsize為1的時(shí)候，收斂不到98；batchsize過大的時(shí)候，因?yàn)槟Ｐ褪諗靠炻Q于梯度方向和更新次數(shù)，所以大batch盡管梯度方向更為穩(wěn)定，但要達(dá)到98的accuracy所需的更新次數(shù)并沒有量級上的減少，所以也就需要花費(fèi)更多的時(shí)間，當(dāng)然這種情況下可以配合一些調(diào)參策略比如warmup LR，衰減LR等等之類的在一定程度上進(jìn)行解決(這個(gè)先暫且按下不表)，但也不會(huì)有本質(zhì)上的改善。

不過單純從計(jì)算時(shí)間上來看，大batch還是可以很明顯地節(jié)約所需的計(jì)算時(shí)間的，原因前面講過了，主要因?yàn)楸敬螌?shí)驗(yàn)中純計(jì)算時(shí)間中，反向占的時(shí)間比重遠(yuǎn)大于正向。

(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?yàn)椴煌腷atch size要配合不同的調(diào)參策略用才能達(dá)到其最佳效果，而要想在每個(gè)batch size下都找到合適的調(diào)參策略那可太難了，所以用這種方法來決定batch size未免有點(diǎn)武斷。)

總結(jié)

以上是生活随笔為你收集整理的batch size 训练时间_深度学习 | Batch Size大小对训练过程的影响的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。