在深度学习中，累计不同批次的损失估计总体损失
在深度学习中，累计不同批次的损失估计总体损失
在深度学习训练模型的过程中，通常会通过计算不同批次间的损失和，当作模型在这个训练集上的总体损失，这种做法是否具有可行性呢？
- 什么是总体损失?
- 总体损失是计算模型在整个数据集上的损失，但是在训练时，可以计算每个批次上的损失并求和，以此观察模型的训练进度。
- 训练的作用：前向传播计算损失函数值，为了尽量减少损失函数值，反向传播计算损失函数梯度，并用梯度更新模型参数。通过不断地迭代上面的步骤，让模型收敛到一个局部最优解。
- 需要注意的是：同一个批次使用的是相同的模型参数，计算完一个批次之后，模型参数也会相应地更新，所以不同的批次之间使用的模型参数一般不同相同。
- 观察总体损失的意义：监控并指导模型的训练，我们的目标是让总体损失在训练过程中逐渐减小。
- 所以在同一轮训练中，虽然不同批次之间会由于参数的变化，计算的损失差异可能比较大，而通过训练的目标可以知道，同一轮中越往后的批次，得到的损失理论上应该是越小的。所以累计的不同批次之间的损失当作总体损失，如果总体损失在训练期间不断减小，那么模型正在学习改进。
- 使用每一轮训练好的模型来计算总体损失是否可行？
- 可行。但是会导致训练非常慢，因为需要在每一轮训练后，计算模型在整个训练集上的损失。
- 可以使用最后一个批次的损失，来监控模型的训练进度吗？
- 可以。这个损失通常称为**“当前批次损失”**，但是这个损失不一定能很好地反映整个训练的过程中模型的性能，所以更好的做法是同时监控“当前批次损失”和总体损失。