AI :训练神经网络模型过程中batch_size、steps_per_epoch、epochs的意义
batch_size :批大小。 batch_size是计算效率和内存容量的平衡参数。 对于高性能GPU，可以将batch_size的值设定得较大。 在神经网络训练中，如果随机梯度下降，则采用梯度数，即每次batch_size个数据样本训练、更新权重参数。 一次迭代相当于用batch_size个样本训练一次。
如果batch_size太小，则训练数据非常难收敛，无法拟合。
batch_size越大，处理速度越快，但计算设备的内存要求也相应增加。
epochs :所有训练样本完成一次向前运算和一次BP运算。 所有图像的训练，使用所有样本训练一次。 一个epoch是所有训练样本的正向传递和反向传递。
例如，训练数据集总共有1000个样本。 如果batch_size=10，则训练完整体样本集需要100次迭代，1次epoch。
在以steps_per_epoch循环的epoch中所包含的步骤数(各步骤为batch_size个数据传输)，通过TensorFlow数据Tensor输入并训练自豪烟草的情况下，默认的None
训练样本数除以batch_size批大小。 例如，如果总共有100个训练图像，且batch_size批大小为50，则steps_per_epoch的值为2。
batch_size=整个数据集的大小/steps_per_epoch。 当设置batch_size的大小时，对于fit_generator，steps _ per _ epoch=len (x _ train (//(batch _ size * epochs ) ) )
steps_per_epoch是在下一轮epoch开始之前调用generator生成准备数据的次数，如果generator每次必须返回batch_size个training样本：
seps _ per _ epoch=total _ samples//(batch _ size )
这里的//可以被截断，为了舍弃最后不满足batch_size的数据，可以使用numpy.ceil的函数进行舍入。