Epoch和Batch Size

梯度下降

　　这是一个在机器学习中用于寻找最佳结果（曲线的最小值）的迭代优化算法。

　　梯度的含义是斜率或者斜坡的倾斜度。

　　下降的含义是代价函数的下降。

　　算法是迭代的，意思是需要多次使用算法获取结果，以得到最优化结果。在数据很庞大的时候（在机器学习中，几乎任何时候都是），我们才需要使用 epochs，batch size，迭代这些术语，在这种情况下，一次性将数据输入计算机是不可能的。因此，为了解决这个问题，我们需要把数据分成小块，一块一块的传递给计算机，在每一步的末端更新神经网络的权重，拟合给定的数据。

EPOCHS

　　当一个完整的数据集通过了神经网络一次并且返回了一次，这个过程称为一个 epoch。

　　然而，当一个 epoch 对于计算机而言太庞大的时候，就需要把它分成多个小块。

　　为什么要使用多于一个 epoch？

　　我知道这刚开始听起来会很奇怪，在神经网络中传递完整的数据集一次是不够的，而且我们需要将完整的数据集在同样的神经网络中传递多次。但是请记住，我们使用的是有限的数据集，并且我们使用一个迭代过程即梯度下降。因此仅仅更新权重一次或者说使用一个 epoch 是不够的。

随着 epoch 数量增加，神经网络中的权重的更新次数也增加，曲线从欠拟合变得过拟合。

　　那么，几个 epoch 才是合适的呢？

　　不幸的是，这个问题并没有正确的答案。对于不同的数据集，答案是不一样的。但是数据的多样性会影响合适的 epoch 的数量。比如，只有黑色的猫的数据集，以及有各种颜色的猫的数据集。

BATCH SIZE

　　一个 batch 中的样本总数。记住：batch size 和 number of batches 是不同的。

　　BATCH 是什么？

　　在不能将数据一次性通过神经网络的时候，就需要将数据集分成几个 batch。

　　正如将这篇文章分成几个部分，如介绍、梯度下降、Epoch、Batch size 和迭代，从而使文章更容易阅读和理解。

　　迭代

　　理解迭代，只需要知道乘法表或者一个计算器就可以了。迭代是 batch 需要完成一个 epoch 的次数。记住：在一个 epoch 中，batch 数和迭代数是相等的。

　　比如对于一个有 2000 个训练样本的数据集。将 2000 个样本分成大小为 500 的 batch，那么完成一个 epoch 需要 4 个 iteration。