为什么 max_batches 与数据集的大小无关？

Question

我想知道为什么训练时图像的数量对迭代次数没有影响。这是一个使我的问题更清楚的示例： 假设我们有 6400 张图像用于训练以识别 4 个类别。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。

换一种说法，我想简单解释一下为什么 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，但我知识不够，无法理解。

Answer 1

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.cfg文件中的max_batches参数。运行max_batches后，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进行测试。

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，一旦您完成了 20 个 baches（20*10 数据样本），训练将完成。 （细节可能有点不同，我用的是原作者pjreddie稍微修改过的暗网）

Answer 2

说明现已更新。 max_batches 等于 classes*2000 但不小于训练图像数量且不小于 6000。请在此link 找到它。