批量训练会导致更多的过拟合

Question

我正在训练一个序列到序列 (seq2seq) 模型，我有不同的值要针对 input_sequence_length 进行训练。

对于值 10 和 15，我得到了可以接受的结果，但是当我尝试使用 20 进行训练时，我得到 内存错误 所以我将训练切换为分批训练，但是模型 过度拟合 并且验证损失会爆炸，即使使用累积的梯度，我也会得到相同的行为，所以我正在寻找提示并导致更准确的更新方法。

---

这是我的训练功能（仅限批处理部分）：

    if batch_size is not None:
        k=len(list(np.arange(0,(X_train_tensor_1.size()[0]//batch_size-1), batch_size )))
        for epoch in range(num_epochs):
            optimizer.zero_grad()
            epoch_loss=0
            for i in list(np.arange(0,(X_train_tensor_1.size()[0]//batch_size-1), batch_size )): # by using equidistant batch till the last one it becomes much faster than using the X.size()[0] directly
                sequence = X_train_tensor[i:i+batch_size,:,:].reshape(-1, sequence_length, input_size).to(device)
                labels = y_train_tensor[i:i+batch_size,:,:].reshape(-1, sequence_length, output_size).to(device)
                # Forward pass
                outputs = model(sequence)
                loss = criterion(outputs, labels)
                epoch_loss+=loss.item()
                # Backward and optimize
                loss.backward() 

            optimizer.step()    
            epoch_loss=epoch_loss/k
            model.eval
            validation_loss,_= evaluate(model,X_test_hard_tensor_1,y_test_hard_tensor_1)
            model.train()
            training_loss_log.append(epoch_loss)
            print ('Epoch [{}/{}], Train MSELoss: {}, Validation : {} {}'.format(epoch+1, num_epochs,epoch_loss,validation_loss))

编辑： 这是我正在训练的参数：

batch_size = 1024 
num_epochs = 25000
learning_rate = 10e-04

optimizer=torch.optim.Adam(model.parameters(), lr=learning_rate)
criterion = nn.MSELoss(reduction='mean')

Answer 1

批量大小会影响正则化。一次只训练一个例子非常嘈杂，这使得过度拟合变得更加困难。批量训练可以使一切变得平滑，从而更容易过度拟合。翻译回正则化：

• 小批量添加正则化。
• 较大的批次会减少正则化。

我也很好奇你的学习率。每次调用loss.backward() 都会累积梯度。如果您将学习率设置为一次只期望一个示例，并且没有将其降低以考虑批量累积，那么会发生两种情况之一。

1. 对于现在累积的梯度，学习率太高，训练会发散，训练和验证错误都会爆炸。

2. 学习率不会太高，不会发散。该模型只会更快更有效地训练。如果模型太大而无法拟合数据，则训练误差将变为 0，但验证误差会因过度拟合而爆炸式增长。

---

更新

这里是关于梯度累积的更多细节。

每次调用loss.backward() 都会累积梯度，直到你用optimizer.zero_grad() 重置它。当您调用optimizer.step() 时，它将根据它累积的任何内容进行操作。

按照您的代码编写方式，每次通过内循环时调用loss.backward()，然后在重置前在外循环中调用optimizer.step()。所以梯度已经在批次中的所有示例上累积，也就是求和，而不是一次仅一个示例。

在大多数假设下，这将使批量累积梯度大于单个示例的梯度。如果梯度全部对齐，对于 B 批次，它将大 B 倍。如果梯度是i.i.d.，那么它将更像sqrt(B) 的倍大。

如果您不考虑这一点，那么您实际上已通过该因素提高了学习率。其中一些将通过大批量的平滑效应得到缓解，然后可以容忍更高的学习率。较大的批次会减少正则化，较大的学习率会将其添加回去。但这不会是完美的补偿，因此您仍需要进行相应的调整。

一般来说，每当您更改批量大小时，您还需要重新调整学习率以进行补偿。

---

Leslie N. Smith 撰写了一些关于超参数调整方法的优秀论文。一个很好的起点是A disciplined approach to neural network hyper-parameters: Part 1 -- learning rate, batch size, momentum, and weight decay。他建议您先阅读图表，这些图表做得非常好。