神经网络训练三个概念(Epoch，Batch，Iteration)和图片数量选择

werran · 发表于 2023-3-2 21:09:08

本帖最后由 werran 于 2023-3-2 21:12 编辑

在保证同等质量的情况下，图片越多越好，图片少非常容易出现过拟合的情况，尤其是lora模型高权重的情况下。而且可用的角度很少。

比如同样训练的总次数，20张图片训练50次，肯定没有50张图片训练20次好。

网传的40-100张图片，只是能用，想要达到像（高权重），角度多，高质量图片数量一定要多。
其实这个和AI换脸的图库是一个道理，重复大量的图片用处不大，其实就等于lora把少量图片训练很多次。

在我的实验中，同样训练的总次数，100张图训练的效果比500张图差的很多。

总结下训练神经网络中最最基础的三个概念：Epoch（训练多少轮）, Batch（每次输入网络样本的个数）, Iteration（迭代次数）。

1.名词解释[color=rgba(0, 0, 0, 0.75)][td]

名词	定义
Epoch	使用训练集的全部数据，对模型进行一次完整训练，称之为“一代训练”
Batch	使用训练集中的一小部分样本，对模型权重进行一次反向传播的参数更新，这一小部分样本被称为“一批数据”
Iteration	使用一个Batch数据，对模型进行一次参数更新的过程，称之为“一次训练”

epoch：训练时，所有训练数据集都训练过一次。
batch_size：在训练集中选择一组样本用来更新权值。1个batch包含的样本的数目，通常设为2的n次幂，常用的包括64,128,256。网络较小时选用256，较大时选用64。
iteration：训练时，1个batch训练图像通过网络训练一次（一次前向传播+一次后向传播），每迭代一次权重更新一次；测试时，1个batch测试图像通过网络一次（一次前向传播）。所谓iterations就是完成一次epoch所需的batch个数

2.换算关系

Number of batches = Training setsize / Batchsize

梯度下降方式	Training set size	Batch size	Number of batches
BGD	N	N	1
SGD	N	1	N
Mini-Batch SGD	N	B	N/B+1

实际上，梯度下降的几种方式的根本区别就在于上面公式中的 Batch Size不同。

*注：上表中 Mini-Batch 的 Batch 个数为 N / B + 1 是针对未整除的情况。整除则是 N / B。

3.示例

CIFAR10 数据集有 50000 张训练图片，10000 张测试图片。现在选择 Batch Size = 256 对模型进行训练。

每个 Epoch 要训练的图片数量：50000
训练集具有的 Batch 个数：50000 / 256 = 195 + 1 = 196
每个 Epoch 需要完成的 Batch 个数：196
每个 Epoch 具有的 Iteration 个数：196
每个 Epoch 中发生模型权重更新的次数：196
训练 10 代后，模型权重更新的次数：196 * 10 = 1960

不同代的训练，其实用的是同一个训练集的数据。第 1 代和第 10 代虽然用的都是训练集的五万张图片，但是对模型的权重更新值却是完全不同的。因为不同代的模型处于代价函数空间上的不同位置，模型的训练代越靠后，越接近谷底，其代价越小。