總結下訓練神經網絡中最最基礎的三個概念：Epoch（訓練多少輪）, Batch（每次輸入網絡樣本的個數）, Iteration（迭代次數）。

1.名詞解釋

名詞定義

Epoch	使用訓練集的全部數據，對模型進行一次完整訓練，稱之為“一代訓練”
Batch	使用訓練集中的一小部分樣本，對模型權重進行一次反向傳播的參數更新，這一小部分樣本被稱為“一批數據”
Iteration	使用一個Batch數據，對模型進行一次參數更新的過程，稱之為“一次訓練”

• epoch：訓練時，所有訓練數據集都訓練過一次。

• batch_size：在訓練集中選擇一組樣本用來更新權值。1個batch包含的樣本的數目，通常設為2的n次冪，常用的包括64,128,256。 網絡較小時選用256，較大時選用64。

• iteration?：訓練時，1個batch訓練圖像通過網絡訓練一次?（一次前向傳播+一次后向傳播），每迭代一次權重更新一次；測試時，1個batch測試圖像通過網絡一次?（一次前向傳播）。所謂iterations就是完成一次epoch所需的batch個數

2.換算關系

$$Numberofbatches=\frac{Trainingsetsize}{Batchsize}$$

梯度下降方式Training set sizeBatch sizeNumber of batches

BGD	N	N	1
SGD	N	1	N
Mini-Batch SGD	N	B	N/B+1

實際上，梯度下降的幾種方式的根本區別就在于上面公式中的 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。

3.示例

CIFAR10 數據集有 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 代后，模型權重更新的次數：196 * 10 = 1960

不同代的訓練，其實用的是同一個訓練集的數據。第 1 代和第 10 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于代價函數空間上的不同位置，模型的訓練代越靠后，越接近谷底，其代價越小。

總結

以上是生活随笔為你收集整理的卷积神经网络训练的三个概念（Epoch，Batch，Iteration）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。