总结下训练神经网络中最最基础的三个概念：Epoch, Batch, Iteration。

1. 名词解释

• epoch：训练时，所有训练数据集都训练过一次。
• batch_size：在训练集中选择一组样本用来更新权值。1个batch包含的样本的数目，通常设为2的n次幂，常用的包括64,128,256。
  网络较小时选用256，较大时选用64。
• iteration​：训练时，1个batch训练图像通过网络训练一次​（一次前向传播+一次后向传播），每迭代一次权重更新一次；测试时，1个batch测试图像通过网络一次​（一次前向传播）。所谓iterations就是完成一次epoch所需的batch个数

2. 换算关系

实际上，梯度下降的几种方式的根本区别就在于上面公式中的 Batch Size不同。

*注：上表中 Mini-Batch 的 Batch 个数为 N / B + 1 是针对未整除的情况。整除则是 N / B。

3. 示例

CIFAR10 数据集有 50000 张训练图片，10000 张测试图片。现在选择 Batch Size = 256 对模型进行训练。

• 每个 Epoch 要训练的图片数量：50000 训练集具有的 Batch 个数：50000 / 256 = 195 + 1 = 196
• 每个 Epoch 需要完成的 Batch 个数：196
• 每个 Epoch 具有的 Iteration 个数：196
• 每个 Epoch中发生模型权重更新的次数：196
• 训练 10 代后，模型权重更新的次数：196 * 10 = 1960
• 不同代的训练，其实用的是同一个训练集的数据。第 1 代和第 10
  代虽然用的都是训练集的五万张图片，但是对模型的权重更新值却是完全不同的。因为不同代的模型处于代价函数空间上的不同位置，模型的训练代越靠后，越接近谷底，其代价越小。