这是我的代码
for i in range(10): model = Sequential() model.add(CuDNNLSTM(1)) model.add(Dense(1)) model.compile(loss='mean_squared_error', optimizer=optimizers.adam()) model.fit(x_train, y_train, epochs=20, batch_size=16, verbose=0) p = model.predict(x_test) mse = mean_squared_error(y_test, p) if mse < minval: model.save('best.h5')如果我增加batch_size，MSE也会上升。因此，为了降低MSE，我必须减少batch_size。
增加batch_size的问题在于时间。当batch_size减少时，执行时间显著增加。
我想知道如何在不改变硬件的情况下，通过减少batch_size来提高执行速度。
或者，如何在保持batch_size不变的情况下降低MSE？在这个代码中，batch_size对MSE的影响最大。
供您参考，计算机资源仍然可用。我想利用所有剩余资源来节省时间，但如果可以的话，我很好奇我还能做些什么。（GPU内存未使用一半，剩余内存处于空闲状态。其余资源情况相同。）
回答：
如果你减少批量大小，那么时间将会增加，这在不调整其他参数的情况下基本上是不可避免的。
请注意，虽然在一定程度上减小批量大小可以降低你的MSE，但将其降低到一个荒谬的低值会使其上升，因此你需要保持一个平衡。
我注意到你目前没有手动调整学习率，增加学习率不仅可以加速你的结果，还可以帮助避免陷入局部最小值。当然，学习率过高也可能使你不太可能达到全局最小值。
你可以尝试调整你的参数，不过总的来说，这将取决于你的计算机。例如，如果你有一颗i7而不是i5处理器，你拥有超线程技术，这可能会加速这个过程。
