machine-learning - 为什么 max_batches 与数据集的大小无关？
问题描述
我想知道为什么图像的数量对训练时的迭代次数没有影响。这是一个让我的问题更清楚的例子：假设我们有 6400 张图像用于训练以识别 4 个类。根据 AlexeyAB 的解释，我们保持 batch= 64，subdivisions = 16 并写 max_batches = 8000，因为 max_batches 由#classes x 2000 决定。
由于我们有 6400 张图像，一个完整的 epoch 需要 100 次迭代。因此，此训练在 80 个 epoch 后结束。现在，假设我们有 12800 张图像。在这种情况下，一个 epoch 需要 200 次迭代。因此训练在 40 个 epoch 后结束。由于一个时期是指整个训练数据集的一个周期，我想知道为什么我们在数据集增加时不增加迭代次数，以保持时期数不变。
换句话说，我要求一个简单的解释，为什么 epoch 的数量似乎与训练的质量无关。我觉得这是 Yolo 构造的结果，但我知识渊博，无法理解。
解决方案
为什么训练时图像的数量对迭代次数没有影响？
- 在darknet yolo中，迭代次数取决于文件中的
max_batches参数.cfg。运行后max_batches，暗网保存final_weights.
在每个 epoch 中，所有数据样本都通过网络传递，因此如果您有很多图像，则一个 epoch（和迭代）的训练时间会更长，您可以通过增加数据中的图像来测试它。
细分占小批量的数量。假设您的数据集中有 100 张图像。您的批量大小为 10，细分为 2，max_batches 为 20。
因此，在每次迭代中，10 张图像分两个 mini-batch（每个有 5 个样本）传递给网络，一旦你完成了 20 个 baches（20*10 数据样本），训练就完成了。（细节可能有点不同，我使用的是原作者稍微修改过的暗网pjreddie）