epoch（当前 epoch 数量）和iters（当前迭代数）

在神经网络训练过程中，通常会按照数据集被划分的批次进行迭代训练。每个迭代（iteration）表示模型在一个批次数据上进行了一次前向传播和反向传播，用于更新模型的参数。而每个 epoch 表示模型在整个数据集上进行了一次完整的训练。

• epoch（当前 epoch 数量）:

• 表示当前训练循环中已经完成的 epoch 数量。例如，如果您设置了训练的总 epoch 数量为 10，则在训练开始时，该值为 1，当模型完成了对整个数据集的一次完整训练后，即 epoch 1 结束，该值增加为 2，以此类推，直到训练完成所有指定的 epoch 数量。

• 一个epoch是指将整个训练数据集完整地过一遍的次数。例如，如果训练数据集有1000个样本，每次训练时从中随机选择一个batch进行训练，那么当模型训练完成了1000次batch，也就是一个epoch。在代码中，循环遍历训练数据集的次数就是epoch。

• iters（当前迭代数）:

• 表示当前 epoch 中已经进行的迭代次数。在每个 epoch 中，模型会按照数据集被划分的批次进行多次迭代训练。例如，如果您的数据集被划分成了 100 个批次，每个批次包含 10 张图片，则在一个 epoch 中会进行 100 次迭代（假设训练数据总量为 1000 张图片）。当每个批次的数据都被模型处理过一次后，一个 epoch 结束，此时迭代次数会重新从 1 开始计数，直到完成指定的 epoch 数量。

• 一个iteration是指一次模型参数更新的过程。在每个iteration中，模型都会接收一个batch的数据进行前向传播、计算损失、反向传播和参数更新。iterations的数量通常是由epoch数量和batch size来确定的。例如，如果一个epoch有1000个训练样本，batch size是10，那么一个epoch就会有1000/10=100个iterations。

在训练神经网络模型时，通常会使用epoch（周期）和iterations（迭代）来控制训练的进程。

关系可以总结如下：

• epoch控制着整个数据集的训练次数，它是一个训练周期的度量。
• iterations是在每个epoch中模型参数更新的次数，也是训练过程中的单个步骤。