[[204925]]

你肯定經歷過這樣的時刻，看著電腦屏幕抓著頭，困惑著：「為什么我會在代碼中使用這三個術語，它們有什么區別嗎?」因為它們看起來實在太相似了。

為了理解這些術語有什么不同，你需要了解一些關于機器學習的術語，比如梯度下降，以幫助你理解。

這里簡單總結梯度下降的含義…

梯度下降

這是一個在機器學習中用于尋找***結果(曲線的最小值)的迭代優化算法。

梯度的含義是斜率或者斜坡的傾斜度。

下降的含義是代價函數的下降。

算法是迭代的，意思是需要多次使用算法獲取結果，以得到***化結果。梯度下降的迭代性質能使欠擬合的圖示演化以獲得對數據的***擬合。

梯度下降中有一個稱為學習率的參量。如上圖左所示，剛開始學習率更大，因此下降步長更大。隨著點下降，學習率變得越來越小，從而下降步長也變小。同時，代價函數也在減小，或者說代價在減小，有時候也稱為損失函數或者損失，兩者都是一樣的。(損失/代價的減小是一件好事)

只有在數據很龐大的時候(在機器學習中，幾乎任何時候都是)，我們才需要使用 epochs，batch size，迭代這些術語，在這種情況下，一次性將數據輸入計算機是不可能的。因此，為了解決這個問題，我們需要把數據分成小塊，一塊一塊的傳遞給計算機，在每一步的末端更新神經網絡的權重，擬合給定的數據。

EPOCHS

當一個完整的數據集通過了神經網絡一次并且返回了一次，這個過程稱為一個 epoch。

然而，當一個 epoch 對于計算機而言太龐大的時候，就需要把它分成多個小塊。

為什么要使用多于一個 epoch?

我知道這剛開始聽起來會很奇怪，在神經網絡中傳遞完整的數據集一次是不夠的，而且我們需要將完整的數據集在同樣的神經網絡中傳遞多次。但是請記住，我們使用的是有限的數據集，并且我們使用一個迭代過程即梯度下降，優化學習過程和圖示。因此僅僅更新權重一次或者說使用一個 epoch 是不夠的。

隨著 epoch 數量增加，神經網絡中的權重的更新次數也增加，曲線從欠擬合變得過擬合。

那么，幾個 epoch 才是合適的呢?

不幸的是，這個問題并沒有正確的答案。對于不同的數據集，答案是不一樣的。但是數據的多樣性會影響合適的 epoch 的數量。比如，只有黑色的貓的數據集，以及有各種顏色的貓的數據集。

BATCH SIZE

一個 batch 中的樣本總數。記住：batch size 和 number of batches 是不同的。

BATCH 是什么?

在不能將數據***神經網絡的時候，就需要將數據集分成幾個 batch。

正如將這篇文章分成幾個部分，如介紹、梯度下降、Epoch、Batch size 和迭代，從而使文章更容易閱讀和理解。

迭代

理解迭代，只需要知道乘法表或者一個計算器就可以了。迭代是 batch 需要完成一個 epoch 的次數。記住：在一個 epoch 中，batch 數和迭代數是相等的。

比如對于一個有 2000 個訓練樣本的數據集。將 2000 個樣本分成大小為 500 的 batch，那么完成一個 epoch 需要 4 個 iteration。