在神经网络训练中，分批（Batches）和周期（Epochs）是优化模型的重要策略。分批训练有助于提高模型泛化能力，一个Epoch指对所有数据遍历一次。成本函数，又称损失函数，用于衡量预测值与真实值的差距，训练过程即最小化成本函数。常见的成本函数包括：均方误差、交叉熵等。
分批（Batches) 和 周期(Epochs)
在使用训练集训练神经网络的时候，相比于一次将所有的样本全部输入到网络中，一个更好的选择是：先将数据随机地分为几个大小一致的数据块，再分批次输入。跟一次性训练出来的模型相比，分批训练能够使模型的适用性更好。
一个Epoch表示，对所有的Batch都进行了一次训练。
成本函数
名称比较多，还可以称为损失函数，目标函数等。在训练神经网络的过程中，希望输出的结果尽可能的接近真实的值，使用成本函数来描述训练后的输出结果和真实结果的相近程度。成本函数的值越小，表示神经网络的输出越接近真实值，所以神经网络的训练也就是最小化成本函数的过程。
常用的成本函数有：
扫一扫
6万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
