【目标检测】epoch、batch、batch_size理解

当一个完整的数据集通过神经网络一次并且返回一次的过程称为一个epoch。
然而，当一个epoch对于计算机太过庞大时，就需要把它分成多个小块。

在不能将数据一次性通过神经网络的适合，就需要将数据集分成几个batch。

直观的理解
一个batch中的样本总数（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。同时其直接影响到GPU内存的使用情况，假如你GPU显存不大，该数值最好设置小一点。

提出batch_size的原因
在没有使用Batch Size之前，这意味着网络在训练时，是一次把所有的数据（整个数据库）输入网络中，然后计算它们的梯度进行反向传播，由于在计算梯度时使用了整个数据库，所以计算得到的梯度方向更为准确。但在这情况下，计算得到不同梯度值差别巨大，难以使用一个全局的学习率，所以这时一般使用Rprop这种基于梯度符号的训练算法，单独进行梯度更新。

在小样本数的数据库中，不使用Batch Size是可行的，而且效果也很好。但是一旦是大型的数据库，一次性把所有数据输进网络，肯定会引起内存的爆炸。所以就提出Batch Size的概念。

batch_size设置合适时的优点
1、通过并行化提高内存的利用率。就是尽量让你的GPU满载运行，提高训练速度。
2、单个epoch的迭代次数减少了，参数的调整也慢了，假如要达到相同的识别精度，需要更多的epoch。
3、适当batch_size使得梯度下降方向更加准确。

参考：神经网络中Batch Size的理解

batch size