【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

个人公众号,比较懒,很少更新,可以在上面提问题,如果回复不及时,可发邮件给我: tiehan@sina.cn