神经网络中episode、epoch、iteration、batch_size的理解

epoch、bath_size、iteration、episode在DNN中的解释：

1、epoch：
one forward pass and one backward pass of all the training examples, in the neural network terminology，重点就是所有的训练数据都要跑一遍。假设有6400个样本，在训练过程中，这6400个样本都跑完了才算一个epoch。一般实验需要训练很多个epoch，直到LOSS稳定后才停止。

2、batch_size：
中文名称是批大小，之前的6400个样本，如果送一个样本进去，就更新一次网络的权重，也就是在线学习。与之对应的，我们可以把一个epoch的数据，分批送进网络，可以加快训练时间。每次送多少进去，就是batch_size，假设把6400个样本，分成50次送进去，那么每一次就要送128个样本进去，即batch_size=128。

3、iteration：
我们把一个epoch的所有数据分成了很多批，批数就是iteration，按上面的假设，iteration=50，每经过一个iteration，参数更新一次，可以理解为batch的个数。
样本总数=batch_size * iteration

4、episode：
one a sequence of states, actions and rewards, which ends with terminal state. 这个概念主要是在few-shot或者zero-shot这样的小样本学习中。小样本学习在训练时，会分成很多次训练，每一次都要从所有类中随机选择一些类别来train。一个episode，就是一次选择support set和query set类别的过程，即用选择的某几个类训练一次模型，下一个episode，再选择其他几个类训练模型。一个epoch中存在多个eposide。