1.定义
batch_size：每次示例的样本数。
epoch_size：训练样本总数（即，每个样品的次数等效于迭代）。
2. batch_size：
batch_size来自：迷你批次梯度下降。
（1）批处理梯度降低（BGD）：时期训练所有样品以再次更新梯度。
（2）随机梯度降低（SGD）：每个训练样本并再次更新梯度。
（3）迷你批次梯度下降：将总数据分为几批，并更新每个批次的梯度。每个批次的大小均为批次。
综上所述：
划分尺寸越大，速度越快，精度越低（相同的训练轮）。
batch_size的调整：
（1）当有足够的计算能力时，批处理大小为32或更小。
（2）当计算能力不足时，请在效率和概括之间进行权衡，并尝试选择较小的批量尺寸。
（3）当模型训练到结束时，我想改善结果（例如论文实验/竞争到最后）。
（4）当然，batch_size的增加将加快加速，但是伪装需要更多的时期（车轮数）才能达到所需的准确性。
诡计：
基于128个大小，将最终结果与两个方向进行比较（乘以2次）。
3. epoch_size：
时期大小的确定涉及一种防止过度拟合的方法：提前停止训练。
随着时期数量的增加，神经网络中的权重数也增加了，模型也因欠款而变化。
诡计：
您可以首先设置固定的时期尺寸（100发子弹）
通常，当模型的丢失不再继续减少，并且在10轮内无法提高准确性时，可以提前停止训练（设定以停止时期的条件）。
原始：https：//juejin.cn/post/7095554186999102