你有没有疑惑过，为啥batch size都是2的幂数？

有人觉得是「习惯」，也有人说这算是一种约定俗成的标准，因为从「计算」的角度来看，batch size为2的幂数有助于提高训练效率。

但计算机科学就是一门实践的学科，理论再完美也需要实验结果来验证。

最近一位AI研究者Sebastian动手试了一下所有的batch size，结果发现其对性能的影响微乎其微，甚至在某些情况下，不使用2的幂数训练速度更快！

实验结果一出，也得到大量网友的响应。

有网友认为，使用2的幂数单纯是出于审美上的愉悦，但我并不觉得有什么区别。有时候为了体验「游走于刀尖上」的感觉，我就用10的倍数。

也有网友认为batch size的设置存在玄学，他有时候还会用7的倍数。

更叛逆的网友表示，我用2的幂数，但是幂数带「小数」

不过也有正经点的讨论，认为作者做的基准测试可能是精度不够的，比如batch size选择512和539的区别可能根本测量不出来。

也有人表达反对意见，我们「不是必须」选择2的幂数，但我们「应该」这样做。

首先这个基准测试毫无意义，在一个超级小数据集上使用一个超小网络进行实验，我们无法从这样的玩具数据中获得任何现实世界的指标。

其次，在TPU上选择batch size为8的倍数太大了，数据将被填充，并且会浪费大量的计算。

我认为即使在GPU上，padding也会有影响，可能会留下潜在的性能改进空间。

理论基础

在看实践基准结果之前，我们简单回顾一下选择batch size为2的幂的主要思路。

内存对齐（Memory Alignment）

选择batch size为 2 的幂的主要论据之一是 CPU 和 GPU 内存架构是以 2 的幂进行组织的。或者更准确地说，存在内存页的概念，它本质上是一个连续的内存块。

如果你使用的是 macOS 或 Linux，就可以通过在终端中执行 getconf PAGESIZE 来检查页面大小，它应该会返回一个 2 的幂的数字。

其目的是将一个或多个batch整齐地放在一个Page上，以帮助在GPU中进行并行处理，所以batch size大小为2的幂数可以帮助获得更好的内存排列。这与在视频游戏开发和图形设计中使用OpenGL和DirectX时选择2次方纹理相类似。

矩阵乘法和Tensor Core

英伟达有一个矩阵乘法背景用户指南，解释了矩阵维度和GPU的计算效率之间的关系。

文章中建议不要选择矩阵尺寸为2的幂，而是选择矩阵尺寸为8的倍数，以便在带有Tensor Core的GPU上进行混合精度训练。当然，这两者之间是有重叠的，比如8, 16, 32等。

为什么会是 8 的倍数？这与矩阵乘法有关。

假设我们在矩阵 A 和 B 之间有以下矩阵乘法：

计算两个矩阵 A 和 B 相乘的一种方法是计算矩阵 A 的行向量和矩阵 B 的列向量之间的点积（dot product）。

每个点积由一个「加法」和一个「乘法」操作组成，需要得到 M×N 个这样的点积，因此共有 2×M×N×K 次浮点运算（FLOPS）。

不过现在矩阵在 GPU 上的乘法并不完全如此，GPU 上的矩阵乘法还包括tiling

如果使用带有 Tensor Cores 的 GPU，例如英伟达 V100，当矩阵维度 (M、N 和 K）与 16 字节的倍数对齐后，在 FP16 混合精度训练的情况下，8 的倍数对于计算效率来说是最佳的。

通常维度 K 和 N 由神经网络架构决定，但batch size（此处为 M）通常是由开发者控制的。

因此，假设batch size为 8 的倍数在理论上对于具有 Tensor Core 和 FP16 混合精度训练的 GPU 来说是最有效的，不过实际提升效果有多少，还需要做过实验才知道。

简单的Benchmark

为了了解不同的batch size对实际训练的影响，作者在CIFAR-10上运行了一个简单的基准训练MobileNetV3（large）的10个epoch，图像被调整为224×224以达到适当的GPU利用率。

在V100卡上运行了16位原生自动混合精度训练，这样可以更有效地利用GPU的Tensor Cores。

代码链接：https://github.com/rasbt/b3-basic-batchsize-benchmark

小batch size

从batch size为128的小基准开始，Train Time对应于在 CIFAR-10 上训练 MobileNetV3 的 10 个 epoch，Inference Time为在测试集中的 10k 图像上评估模型。

如果把batch size为128作为基准点，减少一个批处理量（127）或增加一个批处理量（129）确实会导致训练性能稍慢。然而，这里的差异几乎不明显，我认为它可以忽略不计。

将批处理量减少28（即100）会导致更明显的性能减慢。这可能是因为模型现在需要处理比以前更多的批次（50,000/100=500 vs. 50,000/100=390）。

可能由于类似的原因，当我们将批次大小增加28（156）时，我们可以观察到训练时间更短了。

最大的batch size

鉴于 MobileNetV3 架构和输入图像大小，128可能太小了，因此 GPU 利用率约为 70%。

为了研究 GPU 满负荷时的训练时间差异，作者将batch size增加到 512，以使 GPU 显示出接近 100% 的计算利用率。

由于 GPU 内存限制，batch size值无法超过 515。

同样，正如我们之前看到的，作为 2 的幂（或 8 的倍数）的批大小确实会产生很小但几乎不明显的差异。

多GPU训练

前两个基准测试评估了在单个GPU上的训练性能，转到多GPU上结果是否会有不同？

可以看到，这一次，2次方和8次方的批处理规模（256）并不比257快。

本处使用DistributedDataParallel（DDP）作为默认的多GPU训练策略。

注意事项

这里需要强调的是上述所有基准测试都有注意事项。例如只运行每个配置一次。理想情况下可能希望多次重复这些运行并报告平均值和标准偏差。

但最终结论可能都是一样的：即性能没有实质性差异。

此外，虽然实验是在同一台机器上运行了所有基准测试，但是以连续的顺序运行测试，运行之间没有很长的等待时间。也就是说GPU的温度在运行时可能有所不同，并且可能会对计时产生轻微影响。

资源和讨论

Ross Wightman 曾提到，他也不认为选择batch size为 2 的幂会产生明显的差异，但选择 8 的倍数对于某些矩阵维度可能很重要。

此外 Wightman 指出，在使用 TPU 时batch size至关重要，不过作者表示他无法轻松地访问到 TPU，所以也就没做基准测试。

Rémi Coulom-Kayufu 曾经做过一个实验表明，2 次方的batch size实际上并非最佳选择。

对于卷积神经网络，可以通过以下方式计算出较好的值

其中，n 是整数，SM 是 GPU 内核的数量（例如，V100 为 80，RTX 2080 Ti 为 68）。

结论

基于本文分享的基准结果，我不相信选择batch size规模为2的幂或8的倍数在实践中会有明显的区别。

然而，在任何特定的项目中，不管是研究基准还是机器学习的实际应用，选择2次方（即64、128、256、512、1024等）可以会更加直接和易于管理。

另外，如果你对发表学术研究论文感兴趣，将你的批次大小选择为2的幂，会使你的结果看起来不那么像「调参出来的」。

虽然坚持使用2次方的batch size可以帮助限制超参数搜索空间，但必须强调批量大小仍然是一个超参数。

有些人认为，较小的batch size有助于泛化性能，而另一些人则建议尽可能地增加批次大小。

就我个人而言，我发现最佳batch size高度依赖于神经网络架构和损失函数。例如，在最近一个使用相同ResNet架构的研究项目中，我发现最佳批次大小可以在16到256之间，完全取决于损失函数。

因此，我建议始终考虑将调整batch size作为你的超参数优化搜索的一部分。

如果由于内存的限制，你不能使用512的batch size，你也不必降到256，选择500也是完全可以的。