訓練模型時，一次拿多少筆資料來更新參數比較剛好？ 你可以把批次大小想成每次學習要看的題目數量，決定更新頻率與記憶體壓力。 它會影響訓練速度、穩定性與泛化表現。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
批次大小 vs Epoch？ 批次大小：每次更新前看的樣本數 Epoch：整個訓練集看過幾輪 最關鍵的區別：批次大小看一次看幾筆，Epoch 看全資料跑幾次
批次大小 vs 學習率？ 批次大小：決定梯度估計的穩定度 學習率：決定參數往哪個方向走多大步 最關鍵的區別：批次大小管資料量，學習率管步伐大小
批次大小 vs Mini-batch？ 批次大小：可分成小批次與全批次 Mini-batch：介於兩者之間的常見做法 最關鍵的區別：Mini-batch 其實就是最常用的批次訓練方式
記住這句就好
一次看得越多，更新越穩，但也越吃記憶體
實際案例
GPU 記憶體有限 大模型放不下太大的批次，只好把 batch size 調小，避免訓練時爆記憶體
訓練抖動 如果 loss 上下波動很大，可能是批次太小，梯度估計太吵
算法與應用
重點 你要看什麼 為什麼重要 小批次 更新快、雜訊大 有時泛化較好但較不穩 大批次 更新穩、吃記憶體 訓練吞吐高但可能要調學習率 選擇 看硬體與任務 沒有一個固定萬用答案
iPAS 考題
Q：批次大小和學習率有關嗎？ 有，批次變大時通常也要重新調整學習率，避免訓練發散或收斂太慢。
Q：批次大小越大越好嗎？ 不一定。它會受記憶體、穩定性與泛化需求影響。
情境判斷
Q1：如果你的模型訓練時一直很抖，先懷疑批次大小有沒有可能太小？ → 有可能，因為太小會讓梯度估計很吵
Q2：批次大小調大後，如果訓練反而變不穩，可能只改這個參數就夠嗎？ → 通常不夠，還要一起調學習率與正規化設定
常見問題
批次大小怎麼選？
先看硬體能放多少，再用驗證集測試穩定性與效果。
批次大小會影響泛化嗎？
會，較小批次常帶來較大雜訊，有時反而有助泛化。
Batch size 和 mini-batch 一樣嗎？
在很多語境裡 mini-batch 就是指實務上常用的那個批次大小。