iter_size与 batch_size

之前一直不理解iter 与batch之间有什么关系，偶尔看反向传播的博客时注意到了，恍然大悟

解释如下：

当参数iter_size大于1的时候，比如为4，那么一次迭代会有4次Forward和Backward的过程，这时候loss会进行4次累加，最后做个平均；更重要的是每次方向传播的过程中，对于参数的梯度也会进行累加，包括权值和偏置，最后也会对梯度做个平均

iter_size :
这个参数乘上你的train prototxt中的batch_size是你实际使用的batch size。 相当于读取batchsize*itersize个图像才做一下gradient decent。 这个参数可以规避由于gpu不足而导致的batchsize的限制 因为你可以用多个iteration做到很大的batch 即使单次batch有限

原文：https://blog.csdn.net/sdlypyzq/article/details/84030312