AI：训练神经网络模型过程中batch_size，steps_per_epoch，epochs意义
batch_size：批大小。batch_size是计算效率和内存容量之间的平衡参数。若为高性能GPU，可以设置更大的batch_size值。神经网络训练过程中，随机梯度下降时，使用梯度的数量，即每次使用batch_size个数据样本来训练、更新权重参数。1次迭代等于使用batch_size个样本训练一次。
如果batch_size过小，训练数据就会非常难收敛，导致欠拟合。
增大batch_size，处理速度加快，但对计算设备的内存需求也相应增大。
epochs：所有的训练样本完成一次Forword运算以及一次BP运算。所有图像的训练轮次，即使用所有样本训练一遍。一个epoch是所有训练样本的一轮正向传递和一轮反向传递。
例如，训练数据集总共有1000个样本。若batch_size=10，那么训练完全体样本集需要100次迭代，1次epoch。
steps_per_epoch：一轮epoch包含的步数（每一步是batch_size个数据送入），使用TensorFlow数据Tensor输入张量进行训练时，默认None自动分割，即数据集样本数/batch_size。
把训练样本的数量除以batch_size批大小得出。例如，总共有100张训练图片，且batch_size批大小为50，则steps_per_epoch值为2。
batch_size=全体数据集大小 / steps_per_epoch。如果设置batch_size的大小，那么在fit_generator时 , steps_per_epoch = len(x_train) // (batch_size*epochs)
steps_per_epoch就是对于下一轮的epoch开始之前，调用generator产生准备数据的次数，generator必须每次返回batch_size个training样本，那么：
steps_per_epoch = total_samples//(batch_size)
这里的//是整除，也可以使用numpy.ceil的函数向上取整，这样做的目的是为了舍弃最后不满足batch_size的数据。
