深度学习Epoch、Iteration、Batchsize理解和说明

原文：https://blog.csdn.net/qq_21997625/article/details/85071702
https://blog.csdn.net/qq_37274615/article/details/81147013

参考：https://blog.csdn.net/xiaohuihui1994/article/details/80624593 

mnist 数据集有 60000 张图片作为训练数据，10000 张图片作为测试数据。现在选择 Batch Size = 100 对模型进行训练。

每个 Epoch 要训练的图片数量：60000(训练集上的所有图像)
训练集具有的 Batch 个数： 60000/100=600
每个 Epoch 需要完成的 Batch 个数： 600
每个 Epoch 具有的 Iteration 个数： 600（完成一个Batch，相当于参数迭代一次）
每个 Epoch 中发生模型权重更新的次数：600
训练 10 个Epoch后，模型权重更新的次数： 600*10=6000
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60000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30000次迭代，相当于完成了 30000/600=50 个Epoch