神经网络训练中迭代（iteration）、批次（batch）、轮次（epoch）之间的关系
迭代（iteration）、批次（batch）、轮次（epoch）之间的关系这个关系很多初学者都会混，我给你。
·
迭代（iteration）、批次（batch）、轮次（epoch）之间的关系
这个关系很多初学者都会混，我给你清晰解释 + 画一张脑图式的关系结构，保证你一眼就懂：
🧠 三者的定义
| 名称 | 定义 | 例子（60000张图像，batch=128） |
|---|---|---|
| Batch | 一次送入神经网络训练的数据量（小批量样本）。 | 128张图片。 |
| Iteration | 一次用一个 batch 数据完成：前向传播、反向传播、权重更新。 | 用128张图片训练一次，权重更新1次。 |
| Epoch | 整个训练集都被送入网络训练 一遍。 包含了若干次 iteration（iteration 数量 = 样本数 ÷ batch 大小）。 |
60000 ÷ 128 ≈ 469 次 iteration = 1个 epoch。 |
📖 它们的关系
-
Batch → 训练时一次性送入网络的“小样本包”。
-
Iteration → 每处理完一个 batch，并更新一次网络权重，就算1次迭代。
-
Epoch → 把所有训练数据完整训练一遍，包含了多次 iteration。
1 epoch = 样本数 ÷ batch_size 次 iteration
🔥 举个例子
假设：
-
样本数 = 60000
-
batch_size = 128
👉 那么：
-
1个 batch = 128张图像
-
1个 epoch = 60000 ÷ 128 ≈ 469次 iteration
-
3个 epoch = 469 × 3 ≈ 1407次 iteration
腾讯云面向开发者汇聚海量精品云计算使用和开发经验，营造开放的云计算技术生态圈。
更多推荐
9
0- 0
已为社区贡献6条内容
所有评论(0)