前言
- 本文：训练过程的可视化包括训练集和验证集的acc和loss曲线，根据曲线的不同特点进行超参数调节，可以不断优化网络，总结以下一些曲线特点。
- 开发环境：TensorFlow + Keras + Python
- 问题类型：二分类问题
- 数据集：训练集7170个样本 正负各一半 分类为1/0，验证集划分0.15
- 独立测试集共600个样本 正负各一半
1. 验证集曲线震荡
分析原因：训练的batch_size太小
目前batch_size = 64，改成128：
改成200：
可见，增大batch_size 变大，震荡逐渐消失，同时在测试集的acc也提高了。batch_size为200时，训练集acc小于测试集，模型欠拟合，需要继续增大epoch。
总结
- 增大batchsize的好处有三点：
1）内存的利用率提高了，大矩阵乘法的并行化效率提高。
2）跑完一次epoch(全数据集)所需迭代次数减少，对于相同的数据量的处理速度进一步加快，但是达到相同精度所需要的epoch数量也越来越多。由于这两种因素的矛盾， batch_Size 增大到某个时候，达到时间上的最优。
3）一定范围内，batchsize越大，其确定的下降方向就越准，引起训练震荡越小。
- 盲目增大的坏处：
1）当数据集太大时，内存撑不住。
2）过大的batchsize的结果是网络很容易收敛到一些不好的局部最优点。
3）batchsize增大到一定的程度，其确定的下降方向已经基本不再变化。
4）太小的batch也存在一些问题，比如训练速度很慢，训练不容易收敛等。
5）具体的batch size的选取和训练集的样本数目相关。
参考：https://blog.csdn.net/qq_35008279/article/details/90695114