剖析深度学习中的epoch与batch_size关系、代码

大家好，欢迎来到IT知识分享网。

前言

为了区分深度学习中这两者的定义，详细讲解其关系以及代码

1. 定义

在 PyTorch 中，“epoch”（周期）和 “batch size”（批大小）是训练神经网络时的两个重要概念

它们用于控制训练的迭代和数据处理方式。

一、Epoch（周期）：

• Epoch 是指整个训练数据集被神经网络完整地遍历一次的次数。
• 在每个 epoch 中，模型会一次又一次地使用数据集中的不同样本进行训练，以更新模型的权重。
• 通常，一个 epoch 包含多个迭代（iterations），每个迭代是一次权重更新的过程。
• 训练多个 epoch 的目的是让模型不断地学习，提高性能，直到收敛到最佳性能或达到停止条件。

二、Batch Size（批大小）：

• Batch size 指的是每次模型权重更新时所使用的样本数。
• 通过将训练数据分成小批次，可以实现并行计算，提高训练效率。
• 较大的 batch size 可能会加速训练，但可能需要更多内存和计算资源。较小的 batch size 可能更适合小型数据集或资源受限的情况。
• 常见的 batch size 值通常是 32、64、128 等。

三、如何理解它们的关系：

• 在训练过程中，每个 epoch 包含多个 batch，而 batch size 决定了每个 batch 中包含多少样本。
• 在每个 epoch 开始时，数据集会被随机划分为多个 batch，然后模型使用这些 batch 逐一进行前向传播和反向传播，从而更新权重。
• 一次 epoch 完成后，数据集会被重新随机划分为新的 batch，这个过程会重复多次，直到完成指定数量的 epoch 或达到停止条件。

200个样本（数据行）的数据集
选择batch为5，epoch为1000
代表
划分为40个batch了，也就是每个batch有5个样本
每个batch训练好之后就会更新下
一个epoch 也就是40个batch，刚好200个样本训练一轮

总之，epoch 控制了整个训练的迭代次数，而 batch size 决定了每次迭代中处理的样本数量。这两个参数的选择取决于你的任务和资源，通常需要进行调优以获得最佳性能。

2. 代码

大致深度学习的代码中如下：

import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader, TensorDataset # 创建一个包含数字1到10的数据集 X_train = torch.arange(1, 11, dtype=torch.float32) y_train = X_train * 2 # 假设我们的任务是学习一个简单的线性关系，y = 2x # 转换数据为 PyTorch 张量 X_train = X_train.view(-1, 1) # 将数据转换为列向量 y_train = y_train.view(-1, 1) # 定义神经网络模型 model = nn.Sequential( nn.Linear(1, 1) ) # 定义损失函数和优化器 criterion = nn.MSELoss() optimizer = optim.SGD(model.parameters(), lr=0.01) # 创建 DataLoader 并指定 batch size batch_size = 3 train_dataset = TensorDataset(X_train, y_train) train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True) # 训练循环 num_epochs = 10 for epoch in range(num_epochs): total_loss = 0.0 for i, (inputs, labels) in enumerate(train_loader): optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() total_loss += loss.item() print("inputs:",inputs.numpy()) average_loss = total_loss / len(train_loader) print(f"Epoch { 
     epoch + 1}/{ 
     num_epochs}, Loss: { 
     average_loss:.4f}") 

执行完的结果截图：

大致结果详细如下：

inputs: [[1.] [8.] [7.]] inputs: [[4.] [3.] [6.]] inputs: [[ 5.] [ 9.] [10.]] inputs: [[2.]] Epoch 1/10, Loss: 39.6693 inputs: [[ 1.] [ 2.] [10.]] inputs: [[9.] [8.] [6.]] inputs: [[5.] [3.] [7.]] inputs: [[4.]] Epoch 2/10, Loss: 0.1154 inputs: [[2.] [1.] [9.]] inputs: [[10.] [ 5.] [ 4.]] inputs: [[6.] [8.] [7.]] inputs: [[3.]] Epoch 3/10, Loss: 0.0317 inputs: [[7.] [9.] [1.]] inputs: [[6.] [3.] [4.]] inputs: [[10.] [ 8.] [ 5.]] inputs: [[2.]] Epoch 4/10, Loss: 0.0414 inputs: [[9.] [6.] [4.]] inputs: [[2.] [3.] [1.]] inputs: [[ 8.] [10.] [ 5.]] inputs: [[7.]] Epoch 5/10, Loss: 0.0260 inputs: [[6.] [3.] [4.]] inputs: [[ 5.] [10.] [ 8.]] inputs: [[2.] [7.] [9.]] inputs: [[1.]] Epoch 6/10, Loss: 0.0386 inputs: [[ 6.] [10.] [ 4.]] inputs: [[5.] [7.] [8.]] inputs: [[1.] [9.] [2.]] inputs: [[3.]] Epoch 7/10, Loss: 0.0254 inputs: [[6.] [8.] [2.]] inputs: [[ 3.] [10.] [ 1.]] inputs: [[9.] [4.] [5.]] inputs: [[7.]] Epoch 8/10, Loss: 0.0197 inputs: [[ 2.] [ 3.] [10.]] inputs: [[9.] [4.] [5.]] inputs: [[8.] [1.] [6.]] inputs: [[7.]] Epoch 9/10, Loss: 0.0179 inputs: [[ 7.] [ 9.] [10.]] inputs: [[3.] [2.] [5.]] inputs: [[4.] [1.] [8.]] inputs: [[6.]] Epoch 10/10, Loss: 0.0216 

这说明一个epoch会把整个数据都训练完