增大YOLOv4配置中subdivisions参数对训练精度有什么影响？

核心结论：仅调整subdivisions参数、保持batch等其他训练配置完全不变的前提下，不会对最终权重的检测精度产生负面影响。

• 首先明确Darknet中两个参数的运行逻辑：batch代表每次权重更新所使用的总样本数，subdivisions代表把总batch的样本分成多少批加载到显存计算。也就是说不管subdivisions设为8还是64，只要batch数值固定，每次反向传播更新权重时，用的都是完整batch的样本梯度总和，拆分加载显存的过程不会影响梯度计算的最终结果。
• 关于best_weight是否一致：如果固定所有随机种子、训练迭代次数、学习率策略、数据增强规则等所有其他配置，两次训练得到的权重差异会极小，几乎可以忽略。实际训练中受CUDA浮点运算误差、数据增强随机扰动的影响，权重不会100%完全相同，但对应的检测准确率不会有统计意义上的差别。
• 注意容易混淆的情况：只有当你调整subdivisions的同时改动了batch的大小，才会出现精度波动。比如原本配置为batch=64, subdivisions=8，修改时改成了batch=32, subdivisions=64，这种情况下精度变化是batch变小导致的，和subdivisions本身没有关系。
• 实际使用建议：显存充足时可以用更小的subdivisions加快训练速度；显存不足时直接把subdivisions调到能正常启动训练的数值即可，不需要担心精度损失。

内容的提问来源于stack exchange，提问作者user12845915