基本概念
- Epoch（时期）：所有训练样本在神经网络中都 进行了一次正向传播 和一次反向传播
当一个Epoch的样本（也就是所有的训练样本）数量可能太过庞大（对于计算机而言），就需要把它分成多个小块，也就是就是分成多个Batch 来进行训练
-
Batch（批 / 一批样本）：将整个训练样本分成若干个Batch。
-
Batch_Size（批大小）：每批样本的大小。
-
Iteration（一次迭代）：训练一个Batch就是一次Iteration（这个概念跟程序语言中的迭代器相似）。
-
为什么要使用多于一个epoch?
在神经网络中传递完整的数据集一次是不够的，而且我们需要将完整的数据集在同样的神经网络中传递多次。但请记住，我们使用的是有限的数据集，并且我们使用一个迭代过程即梯度下降来优化学习过程。随着epoch数量增加，神经网络中的权重的更新次数也在增加，曲线从欠拟合变得过拟合。
换算公式
举例说明
mnist 数据集有30000张图片作为训练数据，10000张图片作为测试数据。假设现在选择 Batch_Size = 100对模型进行训练。迭代15000次。
- 每个 Epoch 要训练的图片数量：30000(训练集上的所有图像)
- 训练集具有的 Batch 个数： 30000/100=300
- 每个 Epoch 需要完成的 Batch 个数：300
- 每个 Epoch 具有的 Iteration 个数：300（完成一个Batch训练，相当于参数迭代一次）
- 每个 Epoch 中发生模型权重更新的次数：300
- 训练 10 个Epoch后，模型权重更新的次数： 300*10=3000
不同Epoch的训练，其实用的是同一个训练集的数据。第1个Epoch和第10个Epoch虽然用的都是训练集的30000图片，但是对模型的权重更新值却是完全不同的。因为不同Epoch的模型处于代价函数空间上的不同位置，模型的训练代越靠后，越接近谷底，其代价越小。
- 总共完成15000次迭代，相当于完成了15000/300=50个Epoch