概念
(1) iteration )表示1次迭代(也称为training step )，每次迭代都会更新1次网络结构的参数。
)2) batch-size:1 ) 1用于迭代的样本量；
)3) epoch )一个epoch代表一次通过训练集的所有样本。
值得注意的是，在深度学习领域，一般使用使用了mini-batch的随机梯度下降算法(SGD )来训练深层结构，具有不需要扫描所有样本，在数据量非常大的情况下有效的优点在这种情况下，可以根据实际问题定义epoch。 例如，如果将10000次迭代定义为一个epoch，每次迭代的batch-size为256，则一个epoch将超过2560000个训练样本。
链接： https://www.zhi Hu.com/question/43673341/answer/257382587
一次epoch=在所有培训数据前退后更新参数的过程。
在每次iteration=[batch size]个训练数据forward backward之后更新参数流程。
另一个一般把iteration翻译成“迭代”
例如，假设有1000个数据。 这个数据集太大了，全部跑完再加入可能太晚了。 因此，可以将100个分成一个数据集。 这样就有10份了。
batch_size=100
这100个数据组成的数据集称为batch，batch每跑一次就更新一次参数。 这个过程称为iteration
epoch是指跑完这10个Batch(10个iteration )的过程
链接： https://www.zhi Hu.com/question/43673341/answer/341556216
epoch :中文翻译为时期。
一个时期=所有训练样本的一个正向传播和一个反向传播。
训练时一般采用stochasticgradientdescent(SGD )，每次迭代选择一个batch进行更新。 一个epoch的意思是重复次数*batch的数量和训练数据的数量相同，是一个epoch。
链接： https://www.zhi Hu.com/question/43673341/answer/340564190 defs GD (self，training_data，epochs， mini_batch ) : #n=Len(training_data ) epochs次主循环，weights和Biasesforjinxrange ) epochs ) : )每个主循环中的所有tot shuffle计算好的随机性random.shuffle(training_data ) #随机梯度，针对每个具体事件设定mini_batch， 此mini_batch_size示例中的随机梯度mini _ batches=[ training _ data ] k : km ini _ batch _ size forkinxrange (0，n，n )