Taille du lot

Dans l'apprentissage automatique, en particulier lors de la formation de modèles d'apprentissage profond, la taille du lot fait référence au nombre d'exemples de formation traités en une seule itération. La formation de grands modèles sur des ensembles de données massifs, fréquente dans des domaines tels que la vision par ordinateur, rend souvent le traitement de l'ensemble de l'ensemble des données en une seule fois infaisable sur le plan informatique en raison des limitations de la mémoire. Au lieu de cela, les données sont divisées en groupes ou "lots" plus petits et plus faciles à gérer. Les paramètres internes du modèle sont mis à jour après le traitement de chaque lot, ce qui rend le processus de formation plus efficace et évolutif.

Importance de la taille des lots

La taille du lot est un hyperparamètre critique qui influence de manière significative la dynamique de l'apprentissage, l'utilisation des ressources et, en fin de compte, la performance du modèle final. Ses effets sont les suivants :

• Vitesse d'apprentissage : Des lots plus importants permettent d'utiliser plus efficacement les capacités de traitement parallèle du matériel comme les GPU, ce qui peut réduire le temps nécessaire à la réalisation d'une époque (un passage complet sur les données d'apprentissage). Cela est dû à une meilleure utilisation du matériel et à une réduction du nombre de mises à jour des paramètres par époque. En savoir plus sur les concepts de traitement parallèle.
• Utilisation de la mémoire : La taille des lots a un impact direct sur la quantité de mémoire (RAM du CPU ou VRAM du GPU) requise. Les lots plus importants nécessitent plus de mémoire pour stocker les données, les activations et les gradients pendant la formation. Les techniques d'optimisation de l'utilisation de la mémoire sont cruciales lorsque l'on travaille avec des lots de grande taille ou un matériel limité.
• Généralisation du modèle : Le choix de la taille des lots affecte le processus d'optimisation et la généralisation du modèle. Des lots plus petits introduisent plus de bruit dans l'estimation du gradient utilisée dans des algorithmes tels que la descente stochastique du gradient (SGD). Ce bruit peut parfois agir comme une forme de régularisation, en aidant le modèle à échapper à des minima locaux marqués et en améliorant potentiellement sa capacité à se généraliser à des données inédites, réduisant ainsi l'overfitting. Inversement, les lots plus importants fournissent une estimation plus précise du gradient de l'ensemble des données, mais peuvent converger vers des minima plus nets, ce qui peut parfois entraver la généralisation, comme l'explique la recherche"On Large-Batch Training for Deep Learning"(sur la formation par lots importants pour l'apprentissage profond).
• Interaction avec le taux d'apprentissage : La taille des lots interagit souvent avec le taux d'apprentissage. En général, des lots plus importants permettent des taux d'apprentissage plus élevés et en tirent souvent profit. Des optimiseurs comme Adam peuvent aider à gérer ces interactions.

Choisir la bonne taille de lot

La sélection d'une taille de lot optimale implique un équilibre entre l'efficacité de calcul, les contraintes de mémoire et la généralisation du modèle. Il n'existe pas de "meilleure" taille de lot universelle ; elle dépend fortement de l'ensemble de données spécifique (par exemple, l'ensemble de données COCO), de l'architecture du modèle (comme ceux utilisés dans Ultralytics YOLO) et des ressources matérielles disponibles. Les choix courants se situent souvent dans les puissances de 2 (par exemple, 16, 32, 64, 128) en raison des optimisations de l'alignement de la mémoire matérielle. L'expérimentation et des techniques telles que l'ajustement des hyperparamètres sont généralement nécessaires. Des frameworks comme PyTorch et TensorFlow offrent une certaine flexibilité dans la définition de la taille des lots.

Taille des lots et autres termes connexes

Il est important de distinguer la taille des lots des concepts connexes :

• Itération/étape : Une seule mise à jour des paramètres du modèle basée sur le traitement d'un lot de données. Cela implique une passe avant, un calcul de perte et une passe arrière (rétropropagation).
• Époque : Un passage complet à travers l'ensemble des données d'apprentissage. Si un ensemble de données comporte 1 000 échantillons et que la taille du lot est de 100, une époque consiste en 10 itérations (1 000 / 100 = 10).
• Descente de gradient par mini-lots : L'approche de formation la plus courante, où la taille du lot est supérieure à 1 mais inférieure à la taille totale de l'ensemble de données. Cette approche contraste avec la descente de gradient par lots (qui utilise l'ensemble des données, taille des lots = N) et la descente de gradient stochastique (qui utilise un seul échantillon, taille des lots = 1). Le terme "taille de lot" fait généralement référence à la taille utilisée dans la descente de gradient par mini-lots. En savoir plus sur les variantes de la descente de gradient.

Applications dans le monde réel

• Détection d'objets : Lors de l'entraînement d'un modèle YOLO d'Ultralytics pour la tâche de détection d'objets, la taille du lot détermine le nombre d'images traitées simultanément. L'entraînement de YOLO11 sur un grand ensemble de données comme ImageNet peut nécessiter l'ajustement de la taille du lot en fonction de la mémoire du GPU. Une taille de lot plus importante (par exemple 64) peut accélérer l'entraînement par épisode sur les GPU haut de gamme, tandis que des tailles plus petites (par exemple 16) peuvent être nécessaires sur des appareils disposant de moins de mémoire ou peuvent potentiellement améliorer la généralisation. Des plateformes comme Ultralytics HUB peuvent aider à gérer et à suivre ces expériences de formation.
• Traitement du langage naturel (NLP) : La formation de grands modèles de langage tels que BERT implique le traitement de séquences de texte. La taille des lots affecte le nombre de séquences traitées ensemble. Étant donné que les séquences peuvent varier en longueur et que les modèles sont volumineux, l'utilisation de la mémoire est un problème important. Des techniques telles que l'accumulation de gradient (traitement séquentiel de mini-lots plus petits avant la mise à jour des paramètres) sont souvent utilisées pour simuler des lots plus importants lorsque la mémoire est limitée. Explorez les concepts dans les cours de NLP.

Comprendre et sélectionner avec soin la taille du lot est fondamental pour former efficacement les modèles d'apprentissage profond. Pour une étude plus approfondie, envisagez des ressources telles que la spécialisation en apprentissage profond ou l'exploration de techniques telles que la normalisation des lots qui peut parfois réduire la sensibilité à la taille des lots.