你一定经历过这样的时刻，看着电脑屏幕挠头，一头雾水：“我为什么要用这三个术语在代码中？，有什么区别？”因为他们看起来很像。为了理解这些术语有何不同，您需要了解一些机器学习术语，例如梯度下降，以帮助您理解。这里简单总结一下梯度下降的含义...梯度下降是机器学习中使用的一种迭代优化算法，用于寻找最佳结果（曲线的最小值）。梯度是指斜率或斜率的斜率。下降意味着成本函数的减少。该算法是迭代的，这意味着该算法需要多次使用以获得结果才能获得最优结果。梯度下降的迭代特性使欠拟合图能够进化以获得对数据的最佳拟合。梯度下降中有一个参数叫做学习率。如上图左侧所示，一开始学习率较大，因此下降的步长较大。随着点的减少，学习率变小，因此下降步长变小。同时代价函数也在递减，或者成本在递减，有时也称为损失函数或损失，两者是一样的。（损失/成本降低是好事）只有当数据很大时（在机器学习中，几乎任何时候）我们才需要使用epochs，batchsize，迭代这些术语，在这种情况下，不可能将数据输入到电脑一次。因此，为了解决这个问题，我们需要将数据分成小块，一块一块地传递给计算机，并在每一步结束时更新神经网络的权重，以适应给定的数据。EPOCHS当一个完整的数据集通过神经网络一次并返回一次时，这个过程称为一个epoch。然而，当一个epoch对于计算机来说太大时，就需要将它分成多个小块。为什么要使用多个纪元？我知道一开始听起来很奇怪，通过神经网络一次传递完整的数据集是不够的，我们需要通过同一个神经网络多次传递完整的数据集。但请记住，我们正在处理一个有限的数据集，并且我们正在使用称为梯度下降的迭代过程来优化学习过程和图形。因此，仅更新一次权重或使用一个时期是不够的。随着epoch数的增加，神经网络中权重的更新次数也随之增加，曲线由欠拟合变为过拟合。那么，多少个epoch合适呢？不幸的是，这个问题没有正确答案。对于不同的数据集，答案是不同的。但是数据的多样性会影响合适的epochs的数量。例如，一个数据集只有黑猫，一个数据集有各种颜色的猫。BATCHSIZE一批中的样本总数。请记住：批大小和批数是不同的。什么是批次？当数据无法插入神经网络时，需要将数据集分成几批。就像把这篇文章分成Introduction、GradientDescent、Epoch、Batchsize和Iterations几个部分，让文章更容易阅读和理解。迭代要理解迭代，你只需要知道乘法口诀表或计算器。迭代次数是批处理完成一个纪元所需的次数。请记住：在一个epoch中，batch的数量和迭代的数量是相等的。例如，考虑一个包含2000个训练样本的数据集。将2000个样本分成大小为500的批次，然后需要4次迭代才能完成一个epoch。
