理论系列：

    深度学习笔记（一）：卷积层+激活函数+池化层+全连接层

    深度学习笔记（二）：激活函数的前世今生

    深度学习笔记（三）：BatchNorm（BN）层

    深度学习笔记（四）：梯度下降法与局部最优解

    深度学习笔记（五）：欠拟合、过拟合

    防止过拟合（5.1）：正则化

    防止过拟合（5.2）：Dropout

    防止过拟合（5.3）：数据增强

实战系列：

    《TensorFlow2 入门指南》专栏

    《CV实战项目：图像分类+目标检测+语义分割》专栏

Batch Size指的是一次训练所选取的样本数，Batch Size的大小影响模型的优化程度和速度。

1、Batch Size对训练效果的影响

• 当Batch Size太小时，比如Batch Size=1。一次迭代只需对一个样本进行计算，因此单次迭代速度很快，可用于在线学习。在实际过程中，由于单个样本的随机性，一方面，训练会剧烈波动；一方面， 这种波动可能使训练到达更好的局部最小值。
• 当Batch Size增大时，GPU的利用率会提高，对于相同的数据量处理的速度会更快一些。与此同时，Batch Size越大，其确定的下降方向越准，网络训练（收敛）的更快。
• 当Batch Size太大时，比如每次迭代更新使用所有的训练样本。那么迭代速度就会非常慢，甚至会出现训练不动的情况。

2、合理增大Batch Size 的好处

在合理范围内增大Batch Size 的好处在以下几个方面：

• 一次训练多组数据，内存利用率提高；GPU并行计算效率提高；
• 相比于小批量，对于相同的数据量，处理速度更快；
• 在一定范围内，一般来说，Batch Size 越大，其确定的梯度下降方向越准，引起的训练震荡就越小。

3、Batch Size太大的坏处

如果盲目增大Batch Size，对训练会有一定的坏处：

• 一次喂入的数据量太大，内存容量可能撑不住，或者显卡显存不足。
• 增大到一定程度后，其确定的梯度下降方向基本不再变化了。
• 容易陷入局部最小值，且很难再跳出。

最好的关系是互相成就，各位的「三连」就是【AI 菌】创作的最大动力，我们下期见！