有關(guān) batch size 的設(shè)置范圍，其實不必那么拘謹。

我們知道，batch size 決定了深度學習訓練過程中，完成每個 epoch 所需的時間和每次迭代（iteration）之間梯度的平滑程度。batch size 越大，訓練速度則越快，內(nèi)存占用更大，但收斂變慢。

又有一些理論說，GPU 對 2 的冪次的 batch 可以發(fā)揮更好性能，因此設(shè)置成 16、32、64、128 … 時，往往要比設(shè)置為其他倍數(shù)時表現(xiàn)更優(yōu)。

后者是否是一種玄學？似乎很少有人驗證過。最近，威斯康星大學麥迪遜分校助理教授，著名機器學習博主 Sebastian Raschka 對此進行了一番認真的討論。

Sebastian Raschka

關(guān)于神經(jīng)網(wǎng)絡(luò)訓練，我認為我們都犯了這樣的錯誤：我們選擇批量大小為 2 的冪，即 64、128、256、512、1024 等等。（這里，batch size 是指當我們通過基于隨機梯度下降的優(yōu)化算法訓練具有反向傳播的神經(jīng)網(wǎng)絡(luò)時，每個 minibatch 中的訓練示例數(shù)。）

據(jù)稱，我們這樣做是出于習慣，因為這是一個標準慣例。這是因為我們曾經(jīng)被告知，將批量大小選擇為 2 的冪有助于從計算角度提高訓練效率。

這有一些有效的理論依據(jù)，但它在實踐中是如何實現(xiàn)的呢？在過去的幾天里，我們對此進行了一些討論，在這里我想寫下一些要點，以便將來參考。我希望你也會發(fā)現(xiàn)這很有幫助！

理論背景

在看實際基準測試結(jié)果之前，讓我們簡要回顧一下將批大小選擇為 2 的冪的主要思想。以下兩個小節(jié)將簡要強調(diào)兩個主要論點：內(nèi)存對齊和浮點效率。

內(nèi)存對齊

選擇批大小為 2 的冪的主要論據(jù)之一是 CPU 和 GPU 內(nèi)存架構(gòu)是以 2 的冪進行組織的?；蛘吒鼫蚀_地說，存在內(nèi)存頁的概念，它本質(zhì)上是一個連續(xù)的內(nèi)存塊。如果你使用的是 macOS 或 Linux，就可以通過在終端中執(zhí)行 getconf PAGESIZE 來檢查頁面大小，它應(yīng)該會返回一個 2 的冪的數(shù)字。

這個想法是將一個或多個批次整齊地放在一個頁面上，以幫助 GPU 并行處理?；蛘邠Q句話說，我們選擇批大小為 2 以獲得更好的內(nèi)存對齊。這與在視頻游戲開發(fā)和圖形設(shè)計中使用 OpenGL 和 DirectX 時選擇二次冪紋理類似。

矩陣乘法和 Tensor Core

再詳細一點，英偉達有一個矩陣乘法背景用戶指南，解釋了矩陣尺寸和圖形處理單元 GPU 計算效率之間的關(guān)系。因此，本文建議不要將矩陣維度選擇為 2 的冪，而是將矩陣維度選擇為 8 的倍數(shù)，以便在具有 Tensor Core 的 GPU 上進行混合精度訓練。不過，當然這兩者之間存在重疊：

為什么會是 8 的倍數(shù)？這與矩陣乘法有關(guān)。假設(shè)我們在矩陣 A 和 B 之間有以下矩陣乘法：

將兩個矩陣 A 和 B 相乘的一種方法，是計算矩陣 A 的行向量和矩陣 B 的列向量之間的點積。如下所示，這些是 k 元素向量對的點積：

每個點積由一個「加」和一個「乘」操作組成，我們有 M×N 個這樣的點積。因此，共有 2×M×N×K 次浮點運算（FLOPS）。不過需要知道的是：現(xiàn)在矩陣在 GPU 上的乘法并不完全如此，GPU 上的矩陣乘法涉及平鋪。

如果我們使用帶有 Tensor Cores 的 GPU，例如英偉達 V100，當矩陣維度 （M、N 和 K）與 16 字節(jié)的倍數(shù)對齊（根據(jù) Nvidia 的本指南）后，在 FP16 混合精度訓練的情況下，8 的倍數(shù)對于效率來說是最佳的。

通常，維度 K 和 N 由神經(jīng)網(wǎng)絡(luò)架構(gòu)決定（盡管如果我們自己設(shè)計還會有一些回旋余地），但批大?。ù颂帪?M）通常是我們可以完全控制的。

因此，假設(shè)批大小為 8 的倍數(shù)在理論上對于具有 Tensor Core 和 FP16 混合精度訓練的 GPU 來說是最有效的，讓我們研究一下在實踐中可見的差異有多大。

簡單的 Benchmark

為了解不同的批大小如何影響實踐中的訓練，我運行了一個簡單的基準測試，在 CIFAR-10 上訓練 MobileNetV3 模型 10 個 epoch—— 圖像大小調(diào)整為 224×224 以達到適當?shù)?GPU 利用率。在這里，我使用 16 位原生自動混合精度訓練在英偉達 V100 卡上運行訓練，它更有效地使用了 GPU 的張量核心。

如果想自己運行它，代碼可在此 GitHub 存儲庫中找到：https://github.com/rasbt/b3-basic-batchsize-benchmark

小 Batch Size 基準

我們從批大小為 128 的小基準開始。「訓練時間」對應(yīng)于在 CIFAR-10 上訓練 MobileNetV3 的 10 個 epoch。推理時間意味著在測試集中的 10k 圖像上評估模型。

查看上表，讓我們將批大小 128 作為參考點。似乎將批量大小減少一 （127） 或?qū)⑴看笮≡黾右?（129） 確實會導致訓練性能減慢。但這里的差異看來很小，我認為可以忽略不計。

將批大小減少 28 （100） 會導致性能明顯下降。這可能是因為模型現(xiàn)在需要處理比以前更多的批次（50，000 / 100 = 500 對比 50，000 / 100 = 390）?？赡艹鲇陬愃频脑颍斘覀儗⑴笮≡黾?28 （156） 時就可以觀察到更快的訓練時間。

最大 Batch Size 基準

鑒于 MobileNetV3 架構(gòu)和輸入圖像大小，上一節(jié)中的批尺寸相對較小，因此 GPU 利用率約為 70%。為了研究 GPU 滿負荷時的訓練時間差異，我將批量大小增加到 512，以使 GPU 顯示出接近 100% 的計算利用率：

由于 GPU 內(nèi)存限制，批大小不可能超過 515。

同樣，正如我們之前看到的，作為 2 的冪（或 8 的倍數(shù)）的批大小確實會產(chǎn)生很小但幾乎不明顯的差異。

多 GPU 訓練

之前的基準測試評估了單塊 GPU 上的訓練性能。不過如今在多 GPU 上訓練深度神經(jīng)網(wǎng)絡(luò)更為常見。所以讓我們看看下面的多 GPU 訓練的數(shù)字比較：

請注意，推理速度被省略了，因為在實踐中我們通常仍會使用單個 GPU 進行推理。此外，由于 GPU 的內(nèi)存限制，我無法運行批處理大小為 512 的基準測試，因此在這里降低到 256。

正如我們所看到的，這一次 2 的冪和 8 的倍數(shù)批量大小 （256） 并不比 257 快。在這里，我使用 DistributedDataParallel （DDP） 作為默認的多 GPU 訓練策略。你也可以使用不同的多 GPU 訓練策略重復實驗。GitHub 上的代碼支持 —strategy ddp_sharded （fairscale）、ddp_spawn、deepspeed 等。

基準測試注意事項

這里需要強調(diào)的是上述所有基準測試都有注意事項。例如我只運行每個配置一次。理想情況下，我們希望多次重復這些運行并報告平均值和標準偏差。（但這可能不會影響我們的結(jié)論，即性能沒有實質(zhì)性差異）

此外，雖然我在同一臺機器上運行了所有基準測試，但我以連續(xù)的順序運行它們，運行之間沒有很長的等待時間。因此這可能意味著基本 GPU 溫度在運行之間可能有所不同，并且可能會對計時產(chǎn)生輕微影響。

我運行基準測試來模仿真實世界的用例，即在 PyTorch 中訓練具有相對常見設(shè)置的現(xiàn)成架構(gòu)。然而，正如 Piotr Bialecki 正確指出的那樣，通過設(shè)置 torch.backends.cudnn.benchmark = True 可以稍微提高訓練速度。

其他資源和討論

正如 Ross Wightman 所提到的，他也不認為選擇批量大小作為 2 的冪會產(chǎn)生明顯的差異。但選擇 8 的倍數(shù)對于某些矩陣維度可能很重要。此外 Wightman 指出，在使用 TPU 時批量大小至關(guān)重要。（不幸的是，我無法輕松訪問 TPU，也沒有任何基準比較）

如果你對其他 GPU 基準測試感興趣，請在此處查看 Thomas Bierhance 的優(yōu)秀文章：https://wandb.ai/datenzauberai/Batch-Size-Testing/reports/Do-Batch-Sizes-Actually-Need-to-be-Powers-of-2---VmlldzoyMDkwNDQx

特別是你想要比較：

顯卡是否有 Tensor Core；

顯卡是否支持混合精度訓練；

在像 DeiT 這樣的無卷積視覺轉(zhuǎn)換器。

Rémi Coulom-Kayufu 的一個有趣的實驗表明，2 次方的批大小實際上很糟糕。看來對于卷積神經(jīng)網(wǎng)絡(luò)，可以通過以下方式計算出較好的批大?。?/p>

Batch Size=int （（n×（1《《14）×SM）/（H×W×C））。

其中，n 是整數(shù)，SM 是 GPU 內(nèi)核的數(shù)量（例如，V100 為 80，RTX 2080 Ti 為 68）。

結(jié)論

根據(jù)本文中共享的基準測試結(jié)果，我不認為選擇批大小作為 2 的冪或 8 的倍數(shù)在實踐中會產(chǎn)生明顯的差異。

然而，在任何給定的項目中，無論是研究基準還是機器學習的實際應(yīng)用上，都已經(jīng)有很多旋鈕需要調(diào)整。因此，將批大小選擇為 2 的冪（即 64、128、256、512、1024 等）有助于使事情變得更加簡單和易于管理。此外，如果你對發(fā)表學術(shù)研究論文感興趣，將批大小選擇為 2 的冪將使結(jié)果看起來不像是刻意挑選好結(jié)果。

雖然堅持批大小為 2 的冪有助于限制超參數(shù)搜索空間，但重要的是要強調(diào)批大小仍然是一個超參數(shù)。一些人認為較小的批尺寸有助于泛化性能，而另一些人則建議盡可能增加批大小。

個人而言，我發(fā)現(xiàn)最佳批大小在很大程度上取決于神經(jīng)網(wǎng)絡(luò)架構(gòu)和損失函數(shù)。例如，在最近一個使用相同 ResNet 架構(gòu)的研究項目中，我發(fā)現(xiàn)最佳批大小可以在 16 到 256 之間，具體取決于損失函數(shù)。

因此，我建議始終考慮調(diào)整批大小作為超參數(shù)優(yōu)化搜索的一部分。但是，如果因為內(nèi)存限制而不能使用 512 的批大小，則不必降到 256。有限考慮 500 的批大小是完全可行的。

原文標題：一番實驗后，有關(guān)Batch Size的玄學被打破了

文章出處：【微信公眾號：OpenCV學堂】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。