---
title: "批次大小（Batch Size）"
slug: batch-size
language: zh-TW
source: https://aiterms.tw/terms/batch-size
updated_at: 2026-04-29
tags: [模型訓練, 最佳化, 深度學習]
ipas_term: false
---

# 批次大小（Batch Size）

> **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

> **Q：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。
>
> **Q：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。
>
> **Q：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。
### 相關術語

> - **訓練輪次**：批次大小通常要和 epoch 一起看
> - **學習率**：兩者常需要一起調
> - **批次正規化**：BN 的統計量受批次大小影響

---

來源：https://aiterms.tw/terms/batch-size
快查頁：https://aiterms.tw/terms/batch-size
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-batch-size