取代学习率衰减的新方法：谷歌大脑提出增加Batch Size

谷歌大脑在最新的一篇论文中提出，通过增加训练过程中的 batch size，能够在训练集和测试集上取得类似学习率衰减的表现。此外这种方法还有一系列的优势：参数更新数量更少、更强大的并行、更短的训练时间等等。机器之心对此论文做了摘要介绍，更详细的内容请阅读原论文。

论文链接：https://arxiv.org/abs/1711.00489

摘要：学习率衰减是一种常见的方法。在这篇论文中，我们展示了通过增加训练过程中的 batch size 也能在训练集和测试集上获得同样的学习曲线。这一方法对随机梯度下降（SGD）、带有动量的 SGD、Nesterov 动量和 Adam 同样有效。在经过同样数量的训练 epoch 之后，它能获得同样的测试准确率，且需要进行的参数更新更少，从而实现更强大的并行、更短的训练时间。通过增加学习率ϵ、缩放 batch size B∝ϵ，我们可以进一步减少参数更新的数量。最后，你可以增加动量系数 m，缩放 B∝1/(1−m)，尽管这会稍微降低测试准确率。最重要的是，该技术能让我们在不调整超参数的情况下，重设对大型 batch 训练的现有训练调度方法（schdule）。我们在 ImageNet 上训练 ResNet-v2，验证准确率达到 77%，参数更新低于 2500，高效利用了 65536 张图片的训练 batch。

图 1：作为训练 epcoch 中的函数，学习率（a）和 batch size（b）的调度方法

图 2：训练集的交叉熵，（a）横轴为训练 epoch 的数量，（b）横轴为参数更新数量。三种学习曲线变化一致，但增加 batch size 能极大地减少所需参数更新的数量。

图 3：训练过程中的测试集准确率，（a）带有动量的 SGD，（b）带有 Nesterov 动量的 SGD。在两种情形中，三种调度方法的曲线变化保持一致。

图 4：训练过程中的测试集准确率，（a）vanilla SGD，（b）Adam。同样，三种调度方法的测试集表现一致。

图 5：不同的训练调度方法下，测试集准确率随着参数更新数量的变化而变化。通过增加 batch size 取代学习率衰减的「增加 batch size」方法；把初始学习率从 0.1 增加到 0.5 的「增加初始学习率」方法；最后是把动量系数从 0.9 增加到 0.98 的「增加动量系数」方法。

图 6：在 ImageNet 上训练 Inception-ResNet-V2。增加 batch size 能获得与学习率衰减类似的结果，但这种方法能够减少参数更新的数量，从 14000 降低到 6000。我们可以把每个实验运行两次来说明其中的变化。

图 7：在 ImageNet 上训练 Inception-ResNet-V2。增加动量参数能够减少所需参数更新的数量，但也导致最终测试准确率的略微下降。