Lote (batch)

Grupo de ejemplos que el modelo procesa a la vez antes de actualizar sus parámetros. El tamaño del lote influye en la velocidad, la memoria y la estabilidad del entrenamiento.

Grupo de ejemplos que el modelo procesa a la vez antes de actualizar sus parámetros. El tamaño del lote influye en la velocidad, la memoria y la estabilidad del entrenamiento.

Actualizado: 3 de junio de 2026.

En vez de actualizar los pesos ejemplo por ejemplo (lento) o con todo el dataset a la vez (costoso), se usan lotes: bloques de decenas o cientos de ejemplos que aprovechan el cálculo paralelo de la GPU.

Compromiso

Lotes grandes entrenan más rápido y de forma más estable, pero consumen más memoria. Lotes pequeños añaden ruido útil que a veces ayuda a generalizar.

En la práctica

El tamaño de lote se ajusta junto a la tasa de aprendizaje para lograr un entrenamiento estable.