Re: [問題] batch size過大時，為什麼容易overfittin

看板DataScience作者pipidog (如果狗狗飛上天)時間6年前 (2018/12/02 10:32)推噓7(7推 0噓 9→)

留言16則, 10人參與討論串2/3 (看更多)

想像一個極端的情況，你在做梯度修正時，如果每次都是拿所有數據餵進去，然後再做修正，這意味著你每次送進去的數據都是一樣的，沒有任何隨機性，所以你在N維空間中走向優化解的路徑會是一條確定的路徑，不存在隨機性。深度學習的優化解本身是個非凸問題，本質上是NP hard，你能做的是盡可能走遍歷個空間來尋找相對最優解，所以如果你使用GD(即，使用全數據做修正)，你對空間的探索性就等於0，你的模型會直直的奔向最靠近起始值的local min，所以除非你運氣很好，不然你自然很容易會陷入局域最優出不來。另一個極端是，你每次只用一個sample來做修正，每次取那個sample做修正是隨機的，這好處是你會引入最多的隨機性，所以你可以想像成系統走向最優解的過程是類似布朗運動，大方向是往local min走，但是整個過程是搖搖晃晃的，如同醉漢走路，所以你比較有機會探索到較大的空間，這就是隨機梯度下降法，SGD。事實上在沒有GPU的時代，大家都是用SGD的，但是GPU出來以後，為了盡可能利用GPU的優勢，大家才開始引入mini batch GD，犧牲掉一些隨機性換取效率。至於batch size該用多少？目前的文獻大致的說法是，在訓練初期最好選擇2-32之間，透過較大的隨機性，讓系統盡可能搜索較大的空間，等系統開始傾向收斂，我們就不希望隨機性這麼大，免得模型又跳出去，變得很難收斂，所以會把batch size調大，降低隨機性，從數百到一兩千都是可接受的，看你的數據量而定。其實透過隨機性來增加模型的泛化能力是深度學習裡常見的做法，例如添加noise layer，例如dropout，甚至引入L1, L2正規化某方面也可視為引入噪音，SGD自然也是在這個體系下的做法之一。但說歸說，在真的數據量大的時候，為了加速訓練，在訓練初期就把batch size用上好幾千的文獻也不少，只是這樣做通常需要搭配其他精巧的設計來避免上述問題。 ----- Sent from JPTT on my Asus ASUS_Z017DA. -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 67.161.8.79 ※ 文章網址: https://www.ptt.cc/bbs/DataScience/M.1543717965.A.62A.html