【5.1.1】tensorflow--epoch、 iteration和batchsize

1. batchsize：批大小，也就是在一次模型迭代/训练过程中所使用的样本数目
2. iteration：1个iteration等于使用batchsize个样本训练一次；
3. epoch：1个epoch等于使用训练集中的全部样本训练一次；也就是训练整个数据集的重复数。

举个例子，训练集有1000个样本，batchsize=10，那么：训练完整个样本集需要：100次iteration，1次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：

1. 学习率
2. epoch
3. 迭代次数
4. 隐藏层
5. 激活函数
6. batch size
7. 优化器，如：Adam，SGD……

参考资料

• https://blog.csdn.net/LUFANGBO/article/details/79308327
• https://www.zhihu.com/question/296266979/answer/1545927377