批次大小

批量大小是机器学习领域中一个关键的超参数，它决定了 决定了 模型更新其内部参数之前所处理的训练数据样本数。 模型更新其内部参数之前处理的训练数据样本数量。深度学习不需要一次性分析整个数据集--由于内存限制，这在计算上往往是不可能的。 深度学习 框架将数据分成更小的组，称为批次。这种划分决定了学习过程的稳定性 的稳定性、计算速度以及所需的内存量。 GPU所需的内存量。选择 在计算效率和模型收敛质量之间取得平衡。 收敛质量之间的平衡。

对培训动态的影响

批量大小的选择会从根本上改变神经网络的学习方式。 神经网络的学习方式。当批次大小设 值较低时，模型会更频繁地更新其 模型权重更新得更频繁，从而在梯度下降过程中引入噪音。 梯度下降过程。这种噪音 往往能帮助优化算法摆脱局部极小值，找到更稳健的解决方案。 局部最小值，找到更稳健的解决方案，这有助于 防止过度拟合。相反，更大的批次规模 能提供更准确的梯度估计，从而实现更平滑、更稳定的更新，但它们需要 但它们需要更多的硬件内存，而且有时会导致 "泛化差距"，即模型 在训练数据上表现良好，但在未见过的数据上效果较差。

硬件能力往往决定了这一参数的上限。现代硬件加速器，如 英伟达™（NVIDIA®）深度学习性能指南 NVIDIA®）深度学习性能指南中详细介绍的那些硬件加速器，都依赖于并行计算来同时处理大数据块。 同时处理大量数据块。因此，使用与处理器架构相匹配的批次大小--通常是 2 的幂次，如 32、64 或 64。 通常是 32、64 或 128 的 2 次方，这样可以最大限度地提高吞吐量，减少每个 时间。

实际应用

要在不同行业部署有效的人工智能解决方案，了解如何调整这一参数至关重要。 行业部署有效的人工智能解决方案至关重要。

1. 高分辨率医学成像：在 在医疗保健领域的人工智能中，模型的任务通常是 分析详细的 CT 扫描或核磁共振成像，以识别肿瘤等异常情况。这些图像的文件大小很大。 即使是最强大的硬件，试图同时处理许多图像也会超出显存（VRAM）的容量。 硬件的显存（VRAM）。因此，从业人员使用非常小的批处理量（例如 1 或 2）来促进 医疗图像分析而不会导致系统崩溃 系统，将处理高保真数据的能力置于原始训练速度之上。
2. 实时制造检测：相反，在 智能制造环境中，速度 速度至关重要。传送带上的自动视觉检测系统每小时可捕捉数千张电路板图像。 电路板的图像。在推理阶段（检测生产中的缺陷），系统可能会使用 批量推理 将收到的图像分组，并行处理。这样可以最大限度地提高 最大化计算机视觉系统的吞吐量，确保其与快速生产线保持同步。 与快速生产线保持同步。

使用Ultralytics配置批量大小

使用时 Ultralytics Python 软件包，配置批次 大小很简单。批量大小 batch 参数允许你精确指定模型在更新权重之前 在更新权重前应查看多少张图像。如果设置为 -1图书馆还可以使用 自动批处理功能 自动确定 硬件可支持的最大批量大小。

from ultralytics import YOLO

# Load the latest YOLO11 model
model = YOLO("yolo11n.pt")

# Train the model on the COCO8 dataset with a specific batch size
# A batch size of 32 balances speed and memory usage for most standard GPUs
results = model.train(data="coco8.yaml", epochs=50, batch=32)

区分相关概念

对于从业者来说，将 "批量大小 "与深度学习框架中的类似术语区分开来非常重要。 深度学习框架中的类似术语。

• 批量大小与历元：一个历元代表对整个 训练数据集。批量大小决定了 在单个历元内数据被分割成多少块。例如，如果有 1,000 个样本，批量大小为 批量大小为 100，则需要 10 次迭代才能完成一个 epoch。
• 批量大小与批量规范化：虽然它们同名、 批归一化是一种特定的图层 技术，用于对图层输入进行归一化处理，以提高稳定性。批量归一化的效果取决于批量大小 取决于批量大小（需要足够大的批量才能计算出准确的统计数据），但它是网络架构的一个结构性组成部 网络架构的一个结构性组成部分，而不仅仅是一种训练设置。
• 训练与推理批处理：在训练过程中，目标是学习权重。在 批处理纯粹是为了优化速度。 对于延迟敏感的应用，如 自动驾驶汽车等对延迟敏感的应用，批处理大小为 1 通常用于获得即时响应，而 数据分析任务可能会使用大批次来通宵处理历史视频片段。 通宵处理历史视频片段。