选用更大的batch size能够在整体上加快模型的训练，但是一般而言如果只增大batch size，效果不会太理想，这部分目前有比较多的研究论文，比如Facebook的这篇：Accurate, Large Minibatch SGD:Training ImageNet in 1 Hour，作者也总结了主要的几个解决方案。

1. 增大batch_size的同时增大学习率

因为更大的batch size意味着基于每个batch数据计算得到的梯度更加贴近整个数据集（数学上来讲就是方差更小），因此当更新方向更加准确后，迈的步子也可以更大了，一般而言将batch size修改为原来的几倍，那么初始学习率也需要修改为原来的几倍。

2. 用一个小的学习率先训几个epoch（warmup）

因为网络的参数是随机初始化的，假如一开始就采用较大的学习率容易出现数值不稳定，这是使用warmup的原因。等到训练过程基本稳定了就可以使用原先设定的初始学习率进行训练了。作者在实现warmup的过程中采用线性增加的策略，举例而言，假设warmup阶段的初始学习率是0，warmup阶段共需要训练m个batch的数据（实现中m个batch共5个epoch），假设训练阶段的初始学习率是L，那么在batch i的学习率就设置为i*L/m。

3. 每个残差块的最后一个BN层的γ参数初始化为0

我们知道BN层的γ、β参数是用来对标准化后的输入做线性变换的，也就是γx^+β，一般γ参数都会初始化为1，作者认为初始化为0更有利于模型的训练。

4. 不对bias参数执行weight decay操作

weight decay主要的作用就是通过对网络层的参数（包括weight和bias）做约束（L2正则化会使得网络层的参数更加平滑）达到减少模型过拟合的效果。

————————————————

原文链接：https://blog.csdn.net/qq_34886403/article/details/85693888