文章目录
前言
提示：本博客是结合多个博客来总结深度学习、机器学习模型中常用的参数特点与作用。
一、深度学习参数介绍
1.batchsize
batchsize : 在深度学习中，每次训练在训练集中一次性取batchsize个样本训练。因为GPU的线程一般为2的N次方，batchsize大小一般设置为2的N次方（64，128），以使得GPU内部的并行计算效率最高。
- batch_size越大，收敛越快，需要训练的次数少，准确率上升得稳定，但是实际使用起来精度不高；
- batch_size越小，收敛越慢，准确率可能来回震荡，因此需要把学习速率降低一些，但是实际使用起来精度较高。
深度学习框架的函数中经常会出现batch_size，说白了就是梯度下降。梯度下降又有：
1. Batch gradient descent，批梯度下降
遍历全部数据集算一次损失函数，然后算函数对各个参数的梯度，更新梯度。这种方法计算量开销大，计算速度慢，不支持在线学习。
2 . stochastic gradient descent，随机梯度下降
每看一个数据就算一下损失函数，然后求梯度更新参数，这个称为随机梯度下降。这个方法速度比较快，但是收敛性能不太好，可能在最优点附近晃来晃去，hit不到最优点。两次参数的更新也有可能互相抵消掉，造成目标函数震荡的比较剧烈。
3. mini-batch gradient decent，小批的梯度下降
为了克服两种方法的缺点，mini-batch gradient decent把数据分为若干个批，按批来更新参数，一个批中的一组数据共同决定了本次梯度的方向，下降起来就不容易跑偏，减少了随机性。另一方面因为批的样本数与整个数据集相比小了很多，计算量也不是很大。
2.iterations
iterations : 1个iteration等于使用batchsize个样本训练一次。每一次迭代都是一次权重更新，每一次权重更新需要batch_size个数据进行Forward运算得到损失函数，再BP算法更新参数。
3.epoch
epoch : 1个epoch等于使用训练集中的全部样本训练一次，epoch的值就是整个数据集被训练几次。
4.learning rate
learning rate : 学习率决定目标函数能否收敛到局部最小值以及何时收敛到最小值。合适的学习率能够使目标函数在合适的时间内收敛到局部最小值。
- 当学习率设置的过小时，收敛过程将变得十分缓慢。
- 而当学习率设置的过大时，梯度可能会在最小值附近来回震荡，甚至可能无法收敛。
二、深度学习参数之间的关系
1. 模型训练时train loss与test loss的分析
1.train_loss不断下降，test_loss不断下降
可能的原因：网络还在学习中，loss在稳步下降。
2.train_loss不断下降，test_loss趋于不变
可能的原因：网络出现过拟合的现象，因此在训练集上表现为网络仍在学习，但是test_loss趋于不变说明网络泛化能力差。
3.train_loss趋于不变，test_loss不断下降
可能的原因：数据集 100% 是有问题的。。。
4.train_loss趋于不变，test_loss趋于不变
可能的原因：loss开始在某一直附近不断振荡，说明网络学习遇到瓶颈，此时应该减小学习率或者减小batchsize的大小，又或者是数据集有问题（数据集标注错误数据比较多）
5.train_loss不断上升，test_loss不断上升
可能的原因：网络结构的设计有问题；训练时超参数的设置有问题；数据集没有经过清洗。。