在 Keras 中拟合模型时，批量大小和 epoch 数应该有多大？答案

【问题标题】：How big should batch size and number of epochs be when fitting a model in Keras?在 Keras 中拟合模型时，批量大小和 epoch 数应该有多大？
【发布时间】：2016-05-05 04:40:48
【问题描述】：

我正在训练 970 个样本并验证 243 个样本。

在 Keras 中拟合模型以优化 val_acc 时，批量大小和 epoch 数应该有多大？是否有任何基于数据输入大小的经验法则可供使用？

【问题讨论】：

我会说这在很大程度上取决于您的数据。如果你只是在玩一些简单的任务，比如 XOR-Classifiers，那么批量大小为 1 的几百个 epoch 就足以获得 99.9% 的准确率。对于 MNIST，我主要经历了合理的结果，批量大小在 10 到 100 左右，并且少于 100 个 epoch。如果没有您的问题、架构、学习规则/成本函数、数据等的详细信息，您将无法准确回答这个问题。
有没有办法在每个训练时期都包含所有数据？
@kRazzyR 。实际上，对于每次训练，所有数据都将被视为分批。如果您想一次性包含所有数据，请使用数据长度的批大小。

标签： python machine-learning keras data-science

【解决方案1】：

由于您的数据集非常小（约 1000 个样本），因此使用 32 的批量大小可能是安全的，这是相当标准的。除非您对数十万或数百万个观察结果进行训练，否则它不会对您的问题产生巨大影响。

要回答您关于 Batch Size 和 Epochs 的问题：

一般而言：批量越大，训练进度越快，但收敛速度并不总是那么快。较小的批量训练速度较慢，但可以更快地收敛。这绝对取决于问题。

一般而言，模型会随着训练次数的增加而提高到一定程度。当它们收敛时，它们的准确性将开始趋于稳定。尝试 50 之类的东西，并绘制 epoch 数（x 轴）与精度（y 轴）的关系。你会看到它在哪里变平。

您的数据的类型和/或形状是什么？这些是图像，还是只是表格数据？这是一个重要的细节。

【讨论】：

批量大小应该尽可能大而不超出内存。限制批次大小的唯一其他原因是，如果您同时获取下一批并在当前批次上训练模型，您可能会浪费时间获取下一批（因为它太大了，内存分配可能需要大量time) 当模型完成与当前批次的拟合时，在这种情况下，最好更快地获取批次以减少模型停机时间。
我经常看到批量大小的值是 8 的倍数。这种选择有正式的理由吗？
更大的epoch会导致过拟合吗？有更多的数据和更少的时期会导致欠拟合吗？
@彼得。这可能会有所帮助stackoverflow.com/questions/44483233/…。

【解决方案2】：

上面的答案很好。每个人都给出了很好的意见。

理想情况下，这是应该使用的批量大小的顺序：

{1, 2, 4, 8, 16} - slow 

{ [32, 64],[ 128, 256] }- Good starters

[32, 64] - CPU

[128, 256] - GPU for more boost

【讨论】：

对我来说，这些值非常糟糕。我最终为我的模型使用了 3000 的批量大小，这比您在此处建议的要多。
嗯，有什么来源为什么您将其声明为既定事实吗？
这是在 CNN 模型上使用这些批量大小的引用来源。希望这对你有用。 ~干杯arxiv.org/pdf/1606.02228.pdf#page=3&zoom=150,0,125
这似乎过于简单化了。批量大小通常取决于输入集的每项复杂性以及您正在使用的内存量。以我的经验，我通过逐渐扩展我的批量大小来获得最好的结果。对我来说，我的运气最好从 1 开始，每训练一次 n 小时将批量大小加倍，n 取决于数据集的复杂性或大小，直到我达到机器的内存限制，然后尽可能长时间地继续训练尽可能大的批量。

【解决方案3】：

我使用 Keras 对语音数据执行非线性回归。我的每个语音文件都为我提供了文本文件中 25000 行的特征，每行包含 257 个实数值。我使用 100 的批量大小，50 纪元在 Keras 中训练 Sequential 模型，其中包含 1 个隐藏层。经过 50 个 epoch 的训练后，它很好地收敛到了较低的 val_loss。

【讨论】：

【解决方案4】：

我使用 Keras 为市场组合建模执行非线性回归。在 Keras 中训练具有 3 个隐藏层的 Sequential 模型时，我在批量大小为 32 且 epochs = 100 时获得了最佳结果。通常批量大小为 32 或 25 是好的，除非您有大型数据集，否则 epochs = 100。在大型数据集的情况下，您可以使用 10 的批量大小和 50 到 100 的 epochs b/w。上面提到的数字再次对我来说很好。

【讨论】：

批量大小的值应该是（首选）2 的幂。stackoverflow.com/questions/44483233/…
“对于大型数据集，批量大小为 10...”，理解是否正确，即批量大小越大越好，因为梯度是在一个批次上平均的

【解决方案5】：

tf.keras.callbacks.EarlyStopping

使用 Keras，您可以使用 tf.keras.callbacks.EarlyStopping，如果监测到的损失停止改善，它会自动停止训练。您可以使用参数patience 允许没有改进的时期。

它有助于找到一个平台，您可以从该平台继续细化 epoch 的数量，甚至可能足以达到您的目标而无需处理 epoch。

【讨论】：

【解决方案6】：

Epochs 取决于您的意愿，具体取决于验证损失何时停止进一步改善。这应该是批量大小：


# To define function to find batch size for training the model
# use this function to find out the batch size

    def FindBatchSize(model):
        """#model: model architecture, that is yet to be trained"""
        import os, sys, psutil, gc, tensorflow, keras
        import numpy as np
        from keras import backend as K
        BatchFound= 16

        try:
            total_params= int(model.count_params());    GCPU= "CPU"
            #find whether gpu is available
            try:
                if K.tensorflow_backend._get_available_gpus()== []:
                    GCPU= "CPU";    #CPU and Cuda9GPU
                else:
                    GCPU= "GPU"
            except:
                from tensorflow.python.client import device_lib;    #Cuda8GPU
                def get_available_gpus():
                    local_device_protos= device_lib.list_local_devices()
                    return [x.name for x in local_device_protos if x.device_type == 'GPU']
                if "gpu" not in str(get_available_gpus()).lower():
                    GCPU= "CPU"
                else:
                    GCPU= "GPU"

            #decide batch size on the basis of GPU availability and model complexity
            if (GCPU== "GPU") and (os.cpu_count() >15) and (total_params <1000000):
                BatchFound= 64    
            if (os.cpu_count() <16) and (total_params <500000):
                BatchFound= 64  
            if (GCPU== "GPU") and (os.cpu_count() >15) and (total_params <2000000) and (total_params >=1000000):
                BatchFound= 32      
            if (GCPU== "GPU") and (os.cpu_count() >15) and (total_params >=2000000) and (total_params <10000000):
                BatchFound= 16  
            if (GCPU== "GPU") and (os.cpu_count() >15) and (total_params >=10000000):
                BatchFound= 8       
            if (os.cpu_count() <16) and (total_params >5000000):
                BatchFound= 8    
            if total_params >100000000:
                BatchFound= 1

        except:
            pass
        try:

            #find percentage of memory used
            memoryused= psutil.virtual_memory()
            memoryused= float(str(memoryused).replace(" ", "").split("percent=")[1].split(",")[0])
            if memoryused >75.0:
                BatchFound= 8
            if memoryused >85.0:
                BatchFound= 4
            if memoryused >90.0:
                BatchFound= 2
            if total_params >100000000:
                BatchFound= 1
            print("Batch Size:  "+ str(BatchFound));    gc.collect()
        except:
            pass

        memoryused= [];    total_params= [];    GCPU= "";
        del memoryused, total_params, GCPU;    gc.collect()
        return BatchFound

【讨论】：

大哎哟......