神經網路深度學習專業術語解釋（Step， Batch Size， Iteration，Epoch）

Step: 訓練模型的步數

Batch Size（批尺寸）：計算梯度所需的樣本數量，太小會導致效率低下，無法收斂。太大會導致記憶體撐不住，Batch Size增大到一定程度後，其下降方向變化很小了，所以Batch Size是一個很重要的引數。

為什麼需要有 Batch_Size :

batchsize 的正確選擇是為了在記憶體效率和記憶體容量之間尋找最佳平衡。

Epoch（回合）：代表樣本集內所有的資料經過了一次訓練。

每個 epoch 都會進行shuffle，對要輸入的資料進行重新排序，分成不同的batch。

Iteration（迭代）：

理解迭代，只需要知道乘法表或者一個計算器就可以了。迭代是 batch 需要完成一個 epoch 的次數。記住：在一個 epoch 中，batch 數和迭代數是相等的。

比如對於一個有 2000 個訓練樣本的資料集。將 2000 個樣本分成大小為 500 的 batch，那麼完成一個 epoch 需要 4 個 iteration。

變數	含義
epoch	一個epoch表示所有訓練樣本運算學習一遍
iteration/step	表示每執行一個iteration/step，更新一次引數權重，即進行一次學習，每一次更新引數需要batch size個樣本進行運算學習，根據運算結果調整更新一次引數。
batch size	1次迭代所使用的樣本量

其關係為：

舉例：
假設有20000個樣本，batch size 為200，epoch為1，則

實際上，梯度下降的幾種方式的根本區別就在於上面公式中的 Batch Size不同。

*注：上表中 Mini-Batch 的 Batch 個數為 N / B + 1 是針對未整除的情況。整除則是 N / B。

CIFAR10 資料集有 50000 張訓練圖片，10000 張測試圖片。現在選擇 Batch Size = 256 對模型進行訓練。

每個 Epoch 要訓練的圖片數量： 50000

訓練集具有的 Batch 個數： 50000/256 = 195 +1 = 196

每個 Epoch 需要完成的 Batch 個數： 196

每個 Epoch 具有的 Iteration 個數： 196

每個 Epoch 中發生模型權重更新的次數： 196

訓練 10 代後，模型權重更新的次數： 196 * 10

不同代的訓練，其實用的是同一個訓練集的資料。第代和第代雖然用的都是訓練集的五萬張圖片，但是對模型的權重更新值卻是完全不同的。因為不同代的模型處於代價函式空間上的不同位置，模型的訓練代越靠後，越接近谷底，其代價越小。

神經網路 深度學習 專業術語解釋（Step， Batch Size， Iteration，Epoch）