batch_size：

机器学习使用训练数据进行学习，针对训练数据计算损失函数的值，找出使该值尽可能小的参数。但当训练数据量非常大，这种情况下以全部数据为对象计算损失函数是不现实的。因此，我们从全部数据中选出一部分，作为全部数据的“近似”。神经网络的学习也是从训练数据中选出一批数据（称为 mini-batch，小批量），然后对每个mini-batch进行学习，值的大小与梯度下降的效率和结果直接相关。
比如，从60000个训练数据中随机选取100个数据，用这100个数据进行学习，这种学习方式成为 mini-batch 学习。用mini-batch的方法定义batch_size，把数据分成小批量，每小批的大小batch_size=100，共有600个这样的批次，即一个epoch梯度下降600次。

批量梯度下降（BGD）:一个epoch训练所有的样本后更新一遍梯度。
假设训练样本共m个，你设置batch_size为1，则每个样本都是一个batch_size。
你设置batch_size为m，则所有样本组成这一个batch_size。
1与m也是两个极端。 当设置为m时，此时梯度下降称为批量梯度下降法。你可以理解为神经网络进行梯度下降时从最远的点，每次迭代需要遍历整个训练集。（所以需要很大的显存空间，如果你的样本数据不大，可以选择将batch_size设置为m）

随机梯度下降（SGD）：每训练一个样本，更新一遍梯度。
当设置为1时，此时梯度下降称为随机梯度下降法。你可以理解为神经网络进行梯度下降时随机找一个点，每次迭代只处理一个训练数据（所以需要很长的时间来完成训练）

综合上述，选择一个合适大小的 batch_size是很重要的，因为计算机字符都是以2的指数次幂进行存储的，所以设置 batch_size时尽量选择例如 4， 8， 16， 32， 64， 128， 256 等。
batch_size越大，速度越快，精度越低（相同训练轮数）。

Batch_size的调参：
1.当有足够算力时，选取batch size为32或更小一些。
2.算力不够时，在效率和泛化性之间做trade-off，尽量选择更小的batch size。
3.当模型训练到尾声，想更精细化地提高成绩（比如论文实验/比赛到最后），有一个有用的trick，就是设置batch size为1，即做纯SGD，慢慢把error磨低。

当然增大Batch_size会加快速度，但是变相地需要更多的Epoch（轮数）去达到需要的精度。

yolov5的作者建议在显存足够的情况下Batch_size设置越大越好，可以使用YOLOv5 AutoBatch (NEW) 通过设置**–batch-size - 1**进行训练。从而找到显存最大利用率下的batch-size值. 根据您的训练设置，AutoBatch 将解决 90% 的 CUDA 内存利用率批处理大小。AutoBatch 是实验性的，仅适用于单 GPU 训练。如下图，可得出最大batch-size为179。来自该issue

iteration：

迭代，即训练学习循环一遍（寻找最优参数（权重和偏置））。比如 iteration=30000，循环一遍即执行了30000次迭代。当 batch_size=100，可以说执行完一遍 iteration，即执行了30000次 batch_size。

epoch：

epoch 是一个单位。一个 epoch表示学习中所有训练数据均被使用过一次时的更新次数。比如，对于1000个训练数据，用大小为100个数据的mini-batch（batch_size=100）进行学习时，重复随机梯度下降法100次，所有的训练数据就都被“看过”了。此时，10次就是一个 epoch。（即：遍历一次所有数据，就称为一个 epoch）。
实例：
下面展示一些 内联代码片。

训练数据量：60000
mini-batch方法：batch_size = 100
迭代次数：iteration = 30000
平均每个epoch的重复次数：60000 / 100 = 600
当迭代进行到600次时，即视为完成了一个epoch
30000 / 600 = 50

从这个实例可以看出，执行完一遍 iteration，完成了50个 epoch。

对于Epoch大小的确定，牵扯到了防止过拟合的一个方法：提前停止训练（early stopping）。
随着epoch次数增加，神经网络中的权重的更新次数也增加，模型从欠拟合变得过拟合。

扫描二维码关注公众号，回复： 14856064 查看本文章

trick：
可以先设定一个固定的Epoch大小（100轮）
一般当模型的loss不再持续减小，且精度不在10轮内提升，就可以提前停止训练了。（设置条件来停止epoch）

转自：
https://blog.csdn.net/qq_38358305/article/details/88643163
https://blog.csdn.net/stay_foolish12/article/details/107386434