模型训练中的epoch

epoch：训练时，所有训练数据集都训练过一次。
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
综上，对于不同的数据集规模要有相应的估计，同时除了Epoch，还有可能是别的影响因素：超参数是我们控制我们模型结构、功能、效率等的 调节旋钮，具体有哪些呢：学习率epoch 迭代次数隐藏层激活函数batch size优化器，如：Adam，SGD……
作者：智星云服务
链接：https://www.zhihu.com/question/296266979/answer/1545927377
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。