点击进入专栏：
《人工智能专栏》 Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程
文章目录
- 一、引言
- 二、Batch Size
- 三、Iterations
- 四、Epochs
- 五、举个例子
- 六、 简要解读
训练网络之前有很多参数要设置，不了解各个参数的含义就没法合理地设置参数值，训练效果也会因此大受影响。本篇博客记录一下网络训练里的Batch Size、Iterations和Epochs怎么理解。
一、引言
首先要了解一下为什么会出现Batch Size这个概念。深度学习算法是迭代的，也就是会多次使用算法获取结果，以得到最优化的结果。每次迭代更新网络参数有两种方式，也是两种极端：
第一种是Batch Gradient Descent，批梯度下降，即把所有数据一次性输入进网络，把数据集里的所有样本都看一遍，然后计算一次损失函数并更新参数。这种方式计算量开销很大，速度也很慢，不支持在线学习。
第二种是Stochastic Gradient Descent，随机梯度下降，即把每次只把一个数据输入进网络，每看一个数