深度学习概念之Epoch,Batch Size和Iterations

本文解释了深度学习里面三个最常见的概念，他们分别是Epoch,Batch Size和，看了看现有的博客还是错误蛮多的，看到一篇国外的博文不错，翻译一波

Epoch vs Batch Size vs – SAGAR

你肯定看过好多次这些概念了，但是你肯定想搞清楚这些概念的本质区别，因为他们看起来属实是很相似。

为了搞清楚他们之间的区别，你需要先知道一些别的机器学习概念，比如说梯度下降，去帮助你更好地理解。

下面是一个关于梯度下降的小总结

梯度下降

在机器学习中，为了寻找最佳的结果（曲线的最小值），我们往往会采取迭代的优化算法

梯度指的是斜坡的倾向或者倾斜程度

下降指的是梯度减小的方向

算法是迭代的是指我们需要运行很多次，去得到最优的结果。随着迭代的进行，欠拟合的曲线会逐渐变得更好地拟合数据，下图可以看出这个过程

梯度下降需要一个叫做学习率的( rate)参数。在上面的左图中，刚开始的步长比较大就是因为学习率比较大；随着学习率变小，可以看出步长逐渐变小了。并且也可以看出损失函数(Cost )也逐渐变小（也有人叫做Loss ，是一个意思）

当数据量变大时，我们无法一次性把所有数据都喂给模型，这时候我们需要一些术语包括, batch size, 。这是因为我们需要把数据划分为更小的尺寸，并且把这些数据一份一份地输入电脑，用来在每一次输入数据时更新神经网络的权值

定义：每一个Epoch是指当一个完整的数据集已经被神经网络前向和反向传播一次

因为一个epoch可能很大，因此我们需要把它划分为很多个batch（批次）

为什么我们需要超过一个Epoch?

我知道你一开始肯定是懵的——为什么要把整个数据集喂给神经网络一次是不够的？从而我们需要我们需要喂好几次？

原因在于我们利用梯度下降的方法，它是一种迭代过程。因此只喂一遍更新权值是不够的。

从下图可以看出，只设定一个epoch（喂一遍）会导致欠拟合

随着epoch的增长，权值会更新，逐渐从欠拟合()到最优值()，再到过拟合()，因此不能设置过小或者过大的epoch数量

那么，什么是epoch应当设置的值呢？

不幸的是，这个问题没有一个标准答案。针对不同的数据集答案是不同的，你可以说这个数字是取决于你的数据集的多样性的

Batch Size

定义：在每一个批次中(batch)训练集的数目

请注意：Batch size 和 of （批次数）是两个不同的东西

什么是一个Batch呢？

正如前面说的，不能一次性把整个房数据集都喂给神经网络。把数据集划分为多个批次，数目为: of

在我写这篇博客的时候也是划分了不同的章节，可以帮助读者更好地理解文章的

为了得到你需要知道乘法表或者有个计算器（呵呵

定义：是在一个epoch里需要的批次数（ of ）

请注意：批次数目（The of ）等于在一个epoch中所需的数目

如果我们有一个有2000个样例的训练集，我们可以把这2000个例子划分为每个批次有500个样例，那么我们完成1个epoch需要4个

在此例中，Batch Size:500 : 4 epoch:1

写作最后：最近找国内的深度学习工程师的岗位，需要复习一下深度学习的知识，可能最近会写一些博客，顺便求一波offer甭管是国内的国外的求offer