1 问题
Batch_size(批尺寸)首先决定的是下降的方向，是机器学习中一个重要参数，所以本文主要探索不同的batch_size对精度和损失的影响。
2 方法
绘制不同batch_size下的训练和验证精度、损失图，并进行对比来研究其影响。
数据集：我们采用的是MNIST数据集，它由60000个训练图像和10000个测试图像组成。
基础参数配置：
-
训练周期：
100
-
学习率：
0.001
-
优化器：
SGD
这里我选择的batch_size是32、64、128、256，其一是因为有一些理论说GPU对2的幂次的batch_size可以发挥更佳的性能。其二是，一般而言， 8的倍数（比如32，128）能使GPU内部的并行运算效率最高。
 将数据存储到文件中。 |
 用matplotlib绘制图 |
 train_loss |
 val_loss |
 train_acc |
 val_acc |
从上图中，我们可以得出以下结论，batch_size越大：
训练、验证损失下降的越慢。
收敛到最小验证损失所需的 epoch 越多。
训练、验证精度上升的越慢。
收敛到最大精度所需的 epoch 越多。
3 结语
针对Batch_size对精度和损失的影响研究问题，提出绘制不同batch_size下的精度和损失图，并进行对比的方法，通过曲线对比，就目前来说是较小的批量训练性能更好。本文的方法暂未考虑不同batch_size需要运行的时间等问题，未来可以针对这些方面做进一步研究。