训练数据量中关于batch_size，iteration和epoch的概念

batch_size

• 机器学习使用训练数据进行学习，针对训练数据计算损失函数的值，找出使该值尽可能小的参数。但当训练数据量非常大，这种情况下以全部数据为对象计算损失函数是不现实的。因此，我们从全部数据中选出一部分，作为全部数据的“近似”。神经网络的学习也是从训练数据中选出一批数据（称为 mini-batch，小批量），然后对每个mini-batch进行学习。比如，从60000个训练数据中随机选取100个数据，用这100个数据进行学习，这种学习方式成为 mini-batch 学习。 用mini-batch的方法定义batch_size，把数据分成小批量，每小批的大小batch_size=100

iteration

• 迭代，即训练学习循环一遍（寻找最优参数（权重和偏置））。比如 iteration=30000，循环一遍即执行了30000次迭代。当 batch_size=100，可以说执行完一遍 iteration，即执行了30000次 batch_size

epoch

• epoch 是一个单位。一个 epoch表示学习中所有训练数据均被使用过一次时的更新次数。比如，对于1000个训练数据，用大小为100个数据的mini-batch（batch_size=100）进行学习时，重复随机梯度下降法100次，所有的训练数据就都被“看过”了。此时，10次就是一个 epoch。（即：遍历一次所有数据，就称为一个 epoch）

实例

• 训练数据量：60000 mini-batch方法：batch_size = 100 迭代次数：iteration = 30000 平均每个epoch的重复次数：60000 / 100 = 600

当迭代进行到600次时，即视为完成了一个epoch 30000 / 600 = 50

• 从这个实例可以看出，执行完一遍 iteration，完成了50个 epoch