一次输入网络中的样本数。理想情况下batchsize最好就是所有训练样本数，因为内存显存限制，不现实。所以就用少量的样本近似整个训练集。因此，batchsize越大，训练越容易收敛，学习速率也就可以大一些。一个batch内的样本抽样最好是覆盖所有种类的样本，尽可能的模拟原训练集的分布，这样训练容易收敛点。
机器学习中的batch_size越大越好吗？
从实际中来看，这个问题并没有统一的正确答案，需要具体问题具体分析。但是这里可以分享一些实际训练训练中的经验。Batch size，批大小也就是模型在每次训练时，喂给他多少的数据量。通常我们优化模型所使用的损失函数公式如下，优化的目标往往是非凸函数，因此存在诸多的局部最优点。其中M就是全部的训练数据大小,f(x)是单个数据的损失函数。
而在我们每次更新模型参数时，所用的计算公式如下：这里的Bk就是批大小，Bk是小于等于M的。而按照选取的Bk大小，我们可以将其分成三类：1. Bk=1,即随机梯度下降，即每次针对单个数据进行参数更新。这种方法的优势在于占用的内存很小，能够实现在线学习。弊端也很明显，就是很容易由于梯度方向的随机而导致模型无法收敛，而且无法充分并行计算，训练时间过长。
2. Bk=M，即每次都使用全部数据来进行模型参数的更新，这种方式在每次更新时，得到的更新梯度方向更加准确，使得模型收敛的更加稳定。但是缺点在于，当数据量非常大的时候，由于内存的限制，往往无法实现，同时所需要训练的epoch数也会大大增加；3. 1
文章TAG：size batchsize 设置
