Epoch、Batch和Iteration有什么区别？

Epoch、Batch和Iteration有什么区别？

Epoch，使用训练集的全部数据对模型进行一次完整训练，被称之为一代训练

Batch，使用训练集中的一小部分样本对模型权重进行一次反向传插的参数更新，这一小部分样本被称为“一批数据”

Iteration，使用一个 Batch数据对模型进行一次参数更新的过程，被称之为“一次训练

Epoch（时期）：

当一个完整的数据集通过了神经网络一次并且返回了一次，这个过程称为一次epoch。（也就是说，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 ）

再通俗一点，一个Epoch就是将所有训练样本训练一次的过程。

然而，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）。

举个例子：

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。假设现在选择 Batch_Size = 100对模型进行训练。迭代30000次。

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：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