我们先来看一张图：
这张图是由四种batch_size训练得到的结果，有1、4、8、32四种，如果让你去对号入座，你会如何排序选择呢？
根据一般的经验来讲，选择大的batch_sizie，那么对于一个epoch来讲，batch的数目（step=epoch内的样本数//batch_size）就会变少，自然而然训练速度就会加快，因为一个batch只会得到基于batch_size数量的平均值，无论batch_sizi多大，只能得到1个均值。与之对应的，选择小的Batch_size,则会增加训练次数，训练速度变慢。
也就是说，如果有1000个样本，batch_size=1,10,100,对应的训练次数分别是：1000,100,10,所需要训练的时间逐步递减。
接着上面的，如果选择了大的batch_size，则在内存空间中，如果GPU的话，则采取矩阵级的并行计算，这些计算过程都将存储在GPU内存中，如果你的GPU显存够大，那么在一定程度上是可以选择较大的batch_size（当然也要结合数据集的属性），如果小的显存选择了大的batch_size，那么在训练过程中，会出现显存溢出、内存空间不够的问题。
这在一定程度上，也属于“空间换时间”的一种方法吧。
梯度下降是一个常谈的问题，总而言之就是：
根据训练结果与实际结果的差值，得到Loss损失函数，并用不同的梯度下降方法使整个模型Loss损失逐渐变小的过程。
紧接着就是梯度下降常谈的问题：
优化方法与学习率的选择（这个时候Batch_size已经结束工作，已经产生了唯一的loss，后续工作需[SGD/Adam, w,b]参与）。
不过，这里主要是谈batch_size对训练的波动影响。
如果选择了大的batch_size,那么得到的这个损失函数则是代表一批大的数据的“均值损失”。
现在，思考一个问题，这样的“均值损失”，对于batch中的样本来讲，是好还是坏？
假如现在有：东、南、西、北四个样本，他们对于loss的结果分别为：
东：3.0 西：2.0 南：10.0 北：3.0
如果是线性的损失函数，均值损失可能为：18/4=4.25k+b
如果是非线性的损失函数，均值损失可能为：f(4.25)
可以看出，这样能够极大的避免batch_样本中的个别样本所带来的loss影响，如：南，10.0。
这样来看，每个样本期望Loss是属于自己的Loss，这样可能会引起loss的参差不齐，梯度下降的幅度也会参差不齐，产生振荡。
而大批次的样本训练，就会减缓loss振荡的效应，使整个样本集朝着稳定的loss下降速率（不是下降方向，个人理解）。
以下图为例：
如果说波动振荡较大，是不是说选的batch_size不够大，通用特征不够明显，不同的batch产生不同的结果，导致loss损失随之抖动？
如果batch_size有两个选项：8,32，那么你认为哪个是8，哪个是32。
在本次VGG16的训练过程中（迁移二分类），结果可能与你预料的相反：
第一个是8，第二个是32。
为什么会出现这样的问题，batch_size取得大不应该是更平滑吗？
下面就引出了重点---数据的特征与噪声。
=============>>
在小的时候，就学过一句话“即使是再动听的音乐，在别人心中也可能是一种噪声。”
对于数据集中的样本与模型训练的关系来讲，其实是一样的道理。
数据对于模型，只有两样起作用：特征与噪声。
特征是我们要模型去学习的主要内容。
噪声是我们要模型去弱化的主要内容。
想象一个有趣的问题：
对于模型来讲，如果把特征与噪声认反了，会出现怎样的结果？
就是说，我每次学到噪声的内容更多一些，模型根据每次的噪声得到的值与真值做loss损失计算，每次的损失自然是会波动极大。这个时候是与你选batch_size的大小无关的，因为，不管batch_size如何选，都是噪声结果在做loss计算，而噪声自然是无规律可循的。
模型本身是无认知能力的，它只会结合多特征与真值的关系，进行判断与权重更新，只会根据输入的tensor做回归计算。
模型只会让每次输入的tensor结果，更加去接近真实值。
例如：
现在输入的是无规律的噪声X-1,X-2：
输入的是tensor=>X-1，真值为CLASS-1，得到Loss-X1，根据下降方法，找到一个极小点，更新权重W。
输入的是tensor=>X-2，真值为CLASS-2，得到Loss-X2，根据下降方法，找到一个极小点，更新权重W。
这样的结果会是什么，模型学不到任何东西，也没有参考意义。
现在输入的是有规律的噪声X-1,X-2:
输入的是tensor=>X-1，真值为CLASS-1，得到Loss-X1，根据下降方法，找到一个极小点，更新权重W。
输入的是tensor=>X-2，真值为CLASS-2，得到Loss-X2，根据下降方法，找到一个极小点，更新权重W。
这个时候，就会得到一个结果：将噪声认为是特征。
想象一下，如果有两条狗，CLASS-A,CLASS-B，他俩唯一的区别就是眼睛颜色不同，那么对于我们人来讲，除了眼睛之外的“特征”全为噪声，我们只需要根据眼睛来判断就好了。
一般的，对于模型来讲，如果输入的：
（噪声=背景，以下统称噪声）
1.规律噪声>特征：
对于卷积网络来讲，规律的噪声与特征混合在一起，卷积过后，可能仍包含规律的噪声与特征，网络可能会根据真值，来减弱噪声部分的权重，增强特征部分的权重，这个时候仍是有学习能力的。
2.规律噪声>>特征：
这个时候，就比较恐怖了，就好比一张公园的图片，里面有狗或者猫，你让我去判断这张图片是狗还是猫！
如果数据集提前不去噪声，这个时候再加上一个较大的batch_size会有什么样的结果？
====>
那么损失计算的将是占比较大的“噪声结果的均值损失”，这完全和真正想学的特征没有关系了。
结果一定会出现损失与准确率来回波动的情况，因为：规律的噪声一成不变，而你的标签值却是不同的，反复学习，模型无法判别。
而开头放置的图片，就是在这样的场景下产生的，他们的batch_size大小分别是(从左到右，从上到下)：1，4，8，32。
这里我们暂不谈数据集对模型训练的影响，只谈batch_size的影响。
对于一个正常的数据集，我们需要去衡量噪声与特征的占比情况，并以此来权衡batch_size的取值大小，因为，这关乎到模型的收敛情况。
必要情况下，削减数据的噪声占比，修改模型的输入-学习方式，并以此扩大batch_size，学到更好的泛化特征，增加模型训练速度。
总而言之，大的batch_size是会泛化特征，但是，要清楚，泛化的是谁的特征？噪声还是真实特征？
batch_size的选择是一个技术活，消耗时间、占用内存、收敛情况、收敛准确率等，都需要结合自身经验以及场景去做综合判断，不能走网上的教条规律。
--本次仅记录日常训练出现的batch_size波动问题。
