View source for Keras: Difference Between a Batch and an Epoch

Sumber: https://machinelearningmastery.com/difference-between-a-batch-and-an-epoch/



Stochastic gradient descent adalah learning algorithm dengan beberapa hyperparameter.

Dua hyperparameter yang sering membingungkan para pemula adalah ukuran batch dan jumlah epoch. Keduanya adalah nilai integer dan tampaknya melakukan hal yang sama.

Dalam tulisan ini, anda akan menemukan perbedaan antara batch dan epoch dalam stochastic gradient descent.

Sesudah membaca tulisan ini, anda akan mengetahui:

* Stochastic gradient descent adalah algoritma pembelajaran iteratif yang menggunakan dataset training untuk meng-update model.
* Ukuran batch adalah hyperparameter  dari gradient descent yang mengontrol jumlah sampel training untuk dikerjakan sebelum parameter internal model diperbarui.
* Jumlah epoch adalah hyperparameter dari gradient descent yang mengontrol jumlah lintasan lengkap yang harus dilalui oleh dataset training.

==Overview==

Posting ini dibagi menjadi lima bagian; yaitu:

* Stochastic Gradient Descent
* Apakah Sample?
* Apakah a Batch?
* Apakah Epoch?
* Apa beda Batch dan Epoch?

==Stochastic Gradient Descent==

Stochastic Gradient Descent, atau disingkat SGD, adalah algoritma pengoptimalan yang digunakan untuk melatih algoritma machine learning, terutama artificial neural network yang digunakan dalam deep learning.

Tugas algoritma adalah untuk menemukan satu set parameter model internal yang berkinerja baik terhadap beberapa ukuran kinerja seperti loss logaritmik atau mean squared error.

Optimasi adalah jenis proses pencarian dan kita dapat menganggap pencarian ini sebagai pembelajaran. Algoritma optimisasi disebut "gradient descent", di mana "gradient" mengacu pada perhitungan gradien kesalahan atau kemiringan kesalahan dan "descent" mengacu pada bergerak turun sepanjang kemiringan menuju beberapa tingkat kesalahan minimum.

Algoritma ini bersifat iteratif. Ini berarti bahwa proses pencarian terjadi pada beberapa langkah diskrit, setiap langkah akan berusaha untuk sedikit meningkatkan parameter model.

Setiap langkah melibatkan penggunaan model dengan set parameter internal saat itu untuk membuat prediksi pada beberapa sampel, membandingkan prediksi dengan hasil yang diharapkan, menghitung kesalahan, dan menggunakan kesalahan untuk memperbarui parameter model internal.

Prosedur pembaruan ini berbeda untuk algoritma yang berbeda, tetapi dalam kasus artificial neural network, backpropagation update algorithm digunakan.

Sebelum kita menyelami batch dan epoch, mari kita lihat apa yang dimaksud dengan sampel.

Untuk belajar lebih lanjut dapat membaca2:

* [[Keras: Gradient Descent For Machine Learning]]

==Apakah Sample?==

Sampel adalah satu baris data.

Ini berisi input yang dimasukkan ke dalam algoritma dan output yang digunakan untuk membandingkan dengan prediksi dan menghitung kesalahan.

Dataset training terdiri dari banyak baris data, mis. banyak sampel. Sampel juga dapat disebut instance, observasi, vektor input, atau vektor feature.

==Apakah Batch?==

Ukuran batch adalah hyperparameter yang menentukan jumlah sampel untuk dikerjakan sebelum memperbarui parameter model internal.

Bayangkan batch sebagai iterasi for-loop pada satu atau lebih sampel dan membuat prediksi. Pada akhir batch, prediksi dibandingkan dengan variabel output yang diharapkan dan error dihitung. Dari error ini, algoritma pembaruan digunakan untuk meningkatkan model, mis. bergerak ke bawah sepanjang gradien error.

Dataset training dapat dibagi menjadi satu atau beberapa batch.

Ketika semua sampel training digunakan untuk membuat satu batch, algoritma learning disebut batch gradient descent. Ketika batch adalah ukuran satu sampel, algoritma learning disebut stochastic gradient descent. Ketika ukuran batch lebih dari satu sampel dan kurang dari ukuran dataset training, algoritma pembelajaran disebut mini-batch gradient descent.

* Batch Gradient Descent. Batch Size = Size dari Training Set
* Stochastic Gradient Descent. Batch Size = 1
* Mini-Batch Gradient Descent. 1 < Batch Size < Size dari Training Set

Dalam kasus mini-batch gradient descent, ukuran batch populer termasuk 32, 64, dan 128 sampel. Kita dapat melihat nilai-nilai ini digunakan dalam model dalam literatur dan tutorial.

===Bagaimana jika dataset tidak di pecah secara merata oleh batch size?===

Ini bisa dan memang sering terjadi ketika training sebuah model. Ini berarti bahwa batch akhir memiliki sampel lebih sedikit daripada batch lainnya.

Sebagai alternatif, kita dapat menghapus beberapa sampel dari dataset atau mengubah ukuran batch sehingga jumlah sampel dalam dataset terbagi rata dengan ukuran batch.

Untuk lebih lanjut tentang perbedaan antara variasi gradient descent ini, lihat tulisan:

* [[Keras: Introduction to Mini-Batch Gradient Descent]]

Untuk lebih lanjut tentang pengaruh ukuran batch pada proses learning, lihat tulisan:

    How to Control the Speed and Stability of Training Neural Networks Batch Size

Batch melibatkan pembaruan ke model menggunakan sampel; selanjutnya, mari kita lihat epoch.

==Apakah Epoch?==

Jumlah epoch adalah hyperparameter yang menentukan berapa kali algoritma pembelajaran akan bekerja mengolah seluruh dataset training.

Satu epoch berarti bahwa setiap sampel dalam dataset training memiliki kesempatan untuk memperbarui parameter model internal. Satu epoch terdiri dari satu atau lebih batch. Sebagai contoh, seperti di atas, suatu epoch yang memiliki satu batch disebut batch gradient descent learning algorithm.

Kita dapat membayangkan for-loop atas jumlah epoch di mana setiap loop berlangsung di atas dataset training. Di dalam for-loop ini adalah nested for-loop yang berulang pada setiap batch sampel, di mana satu batch memiliki jumlah sampel "batch size" yang ditentukan.

Jumlah epoch biasanya besar, sering ratusan atau ribuan, yang memungkinkan algoritma pembelajaran berjalan sampai kesalahan dari model telah cukup diminimalkan. Kita dapat melihat contoh jumlah epoch dalam literatur dan tutorial yang diatur ke 10, 100, 500, 1000, dan lebih besar.

Umumnya untuk membuat plot garis yang menunjukkan epoch sepanjang sumbu x sebagai waktu dan kesalahan atau kemampuan model pada sumbu y. Plot ini kadang-kadang disebut kurva belajar. Plot-plot ini dapat membantu mendiagnosis apakah model tersebut telah over learned, under learned, atau sesuai dengan dataset training.

Untuk lebih lanjut tentang diagnostik melalui kurva belajar dengan jaringan LSTM, lihat tulisan:

* [[Keras: Introduction to Learning Curves for Diagnosing Model Performance]]

Jika masih belum jelas, mari kita lihat perbedaan antara batch dan epoch.

==Perbedaan Batch dan Epoch?==

Ukuran batch adalah sejumlah sampel yang diproses sebelum model di update.

Jumlah epoch adalah jumlah complete pass yang harus dilakukan pada dataset training.

Ukuran batch harus lebih dari atau sama dengan satu dan kurang dari atau sama dengan jumlah sampel dalam dataset training.

Jumlah epoch dapat diatur ke nilai integer antara satu dan tak terhingga. Kita dapat menjalankan algoritme selama yang kita suka dan bahkan menghentikannya menggunakan kriteria lain di samping sejumlah waktu tertentu, seperti perubahan (atau tidak adanya perubahan) dalam kesalahan model dari waktu ke waktu.

Keduanya adalah nilai integer dan keduanya hyperparameter untuk algoritma pembelajaran, mis. parameter untuk proses pembelajaran, bukan parameter model internal yang ditemukan oleh proses pembelajaran.

Kita harus menentukan ukuran batch dan jumlah epoch untuk algoritma pembelajaran.

Tidak ada aturan yang mujarab untuk cara mengkonfigurasi parameter ini. Kita harus mencoba nilai yang berbeda dan melihat mana yang terbaik untuk masalah kita.

==Contoh==

Akhirnya, mari kita buat ini menjadi kenyataan dengan contoh kecil.

Asumsikan kita memiliki dataset dengan 200 sampel (baris data) dan kita memilih ukuran batch 5 dan 1.000 epoch.

Ini berarti bahwa dataset akan dibagi menjadi 40 batch, masing-masing dengan lima sampel. Bobot model akan diperbarui setelah setiap lima sampel.

Ini juga berarti bahwa satu epoch akan melibatkan 40 batch atau 40 pembaruan untuk model tersebut.

Dengan 1.000 epoch, model akan melewati seluruh dataset 1.000 kali. Itu adalah total 40.000 batch selama seluruh proses pelatihan.

==Further Reading==

This section provides more resources on the topic if you are looking to go deeper.

    Gradient Descent For Machine Learning
    How to Control the Speed and Stability of Training Neural Networks Batch Size
    A Gentle Introduction to Mini-Batch Gradient Descent and How to Configure Batch Size
    A Gentle Introduction to Learning Curves for Diagnosing Model Performance
    Stochastic gradient descent on Wikipedia
    Backpropagation on Wikipedia

==Summary==

Dalam tulisan ini, kita menemukan perbedaan antara batch dan epoch dalam decreasing stochastic gradients.

Terutama, kita belajar:

* Stochastic gradient descent adalah algoritma pembelajaran iteratif yang menggunakan dataset training untuk memperbarui model.
* Ukuran batch adalah hyperparameter gradient descent gradien yang mengontrol jumlah sampel training untuk dikerjakan sebelum parameter internal model diperbarui.
* Jumlah epoch adalah hyperparameter dari gradient descent  mengontrol jumlah lintasan lengkap pada dataset training.

==Referensi==

* https://machinelearningmastery.com/difference-between-a-batch-and-an-epoch/

==Pranala Menarik==

* [[Keras]]