我想在文章中解释一下网络的batch size参数选择原因，吴恩达在deep Learning中说过选择2的次幂可以加快二进制的计算，但没说具体的原因。
请问是什么原因，有没有相关的论文引用一下。
链接：https://www.nowcoder.com/questionTerminal/832412088a4e4e2ab776330bf2a3ac53
来源：牛客网
机器学习训练时，Mini-Batch 的大小优选为2 的幂，如 256 或 512。它背后的原因是什么？
Mini-Batch 为偶数的时候，梯度下降算法训练的更快
**Mini-Batch 设为 2 的幂，是为了符合 CPU、GPU 的内存要求，利于并行化处理**
不使用偶数时，损失函数是不稳定的
其他选项说法都不对
没有这个说法，特别是batch size，我就喜欢用100*N，也没什么问题。至于kernel，这个要考虑到pooling layer，它的缩放比例，然后正好取一个整倍数。
2的次幂只有在做乘除运算的时候，比较快。好比10进制乘除，最简单的是什么？x10和/10吧。只要移动小数点或者加减尾数的0即可。二进制也一样，x2 /2就是移位。但是这个并不意味着batch size必须是2。或许pooling的时候，取平均值用到一点点。但是对于gpu来说，没区别。