当前位置：首页 > news >正文

batc和mini-batch

news 2024/11/1 18:45:26

一、概念介绍

batch

批处理，在机器学习中，batch 是指一次处理整个训练数据集的方式。例如，如果有 1000 个训练样本，使用 batch 训练时，模型会同时使用这 1000 个样本进行一次参数更新。也就是说，计算损失函数（如均方误差、交叉熵等）是基于整个数据集的所有样本。

mini-batch

小批次，将整个训练数据集分成多个较小的子集（批次）来进行训练。比如还是 1000 个训练样本，我们可以将其分成 10 个 mini - batch，每个 mini - batch 包含 100 个样本。模型在训练时，每次使用一个 mini - batch 来计算损失和更新参数。

二、区别

batch 训练参数更新方向更稳定但可能陷入局部最优；mini - batch 在训练中有一定随机性，有助于寻找全局最优，但批次过小时可能使训练不稳定。

三、使用场景

数据量较小：使用batch;
数据量较大：使用mini-batch；在神经网络基本使用这个

四、mini-batch代码

以下是在深度学习模型中使用batch和mini - batch的方法：

1. 数据准备阶段

数据加载：首先，需要将原始数据加载到程序中。对于图像数据，可以使用ImageDataLoader（PyTorch中）等工具；对于文本数据，可以使用DataLoader结合自定义的文本处理函数。例如，在PyTorch中：

from torchvision.datasets import MNIST
from torchvision.transforms import ToTensor
from torch.utils.data import DataLoader# 加载MNIST数据集
train_data = MNIST(root='data/', train=True, transform=ToTensor(), download=True)
test_data = MNIST(root='data/', train=False, transform=ToTensor(), download=True)

划分批次（针对mini - batch）：使用数据加载器将数据集划分为指定大小的批次。例如，继续上面的代码，设置batch_size为64来创建训练集和测试集的数据加载器：

train_loader = DataLoader(train_data, batch_size=64, shuffle=True)
test_loader = DataLoader(test_data, batch_size=64, shuffle=False)

这里batch_size参数决定了每个mini - batch的样本数量，shuffle参数用于在每个训练轮次（epoch）开始时是否打乱数据顺序，对于mini - batch训练通常设置为True以增加随机性；对于测试集，一般不需要打乱数据。

2. 模型训练阶段

使用mini - batch进行训练：在训练循环中，每次从数据加载器中获取一个mini - batch的数据进行训练。以下是一个典型的使用PyTorch训练神经网络的示例：

# 假设model是已经定义好的模型，criterion是损失函数，optimizer是优化器
for epoch in range(num_epochs):for i, (x_batch, y_batch) in enumerate(train_loader):# 前向传播outputs = model(x_batch)loss = criterion(outputs, y_batch)# 反向传播和更新参数optimizer.zero_grad()loss.backward()optimizer.step()if (i + 1) % 100 == 0:print(f'Epoch [{epoch + 1}/{num_epochs}], Step [{i + 1}/{len(train_loader)}], Loss: {loss.item()}')

在这个示例中，train_loader每次迭代返回一个mini - batch的输入数据x_batch和对应的标签y_batch。模型使用这些数据进行前向传播计算预测值，然后计算损失，接着进行反向传播更新模型参数。

enumerate将一个可遍历的数据对象（如列表、元组、字符串或迭代器）组合为一个索引序列。

3. 模型评估阶段

使用mini - batch评估：在测试循环中，使用测试数据加载器以mini - batch的方式获取数据进行评估。例如：

correct = 0
total = 0
with torch.no_grad():for x_batch, y_batch in test_loader:outputs = model(x_batch)_, predicted = torch.max(outputs.data, 1)total += y_batch.size(0)correct += (predicted == y_batch).sum().item()accuracy = correct / total
print(f'Test Accuracy: {accuracy}')