是不是還在糾結(jié)網(wǎng)上的各類技術(shù)代名詞，是不是都覺得十分的相似，為了理解這些術(shù)語有什么不同，你需要了解一些關(guān)于機(jī)器學(xué)習(xí)的術(shù)語，比如梯度下降，以幫助你理解。

　　這是一個(gè)在機(jī)器學(xué)習(xí)中用于尋找最佳結(jié)果（曲線的最小值）的迭代優(yōu)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(jià)函數(shù)的下降。

　　算法是迭代的，意思是需要多次使用算法獲取結(jié)果，以得到最優(yōu)化結(jié)果。梯度下降的迭代性質(zhì)能使欠擬合的圖示演化以獲得對數(shù)據(jù)的最佳擬合。

　　梯度下降中有一個(gè)稱為學(xué)習(xí)率的參量。如上圖左所示，剛開始學(xué)習(xí)率更大，因此下降步長更大。隨著點(diǎn)下降，學(xué)習(xí)率變得越來越小，從而下降步長也變小。同時(shí)，代價(jià)函數(shù)也在減小，或者說代價(jià)在減小，有時(shí)候也稱為損失函數(shù)或者損失，兩者都是一樣的。（損失/代價(jià)的減小是一件好事）

　　只有在數(shù)據(jù)很龐大的時(shí)候（在機(jī)器學(xué)習(xí)中，幾乎任何時(shí)候都是），我們才需要使用 epochs，batch size，迭代這些術(shù)語，在這種情況下，一次性將數(shù)據(jù)輸入計(jì)算機(jī)是不可能的。因此，為了解決這個(gè)問題，我們需要把數(shù)據(jù)分成小塊，一塊一塊的傳遞給計(jì)算機(jī)，在每一步的末端更新神經(jīng)網(wǎng)絡(luò)的權(quán)重，擬合給定的數(shù)據(jù)。

　　當(dāng)一個(gè)完整的數(shù)據(jù)集通過了神經(jīng)網(wǎng)絡(luò)一次并且返回了一次，這個(gè)過程稱為一個(gè) epoch。

　　然而，當(dāng)一個(gè) epoch 對于計(jì)算機(jī)而言太龐大的時(shí)候，就需要把它分成多個(gè)小塊。

　　為什么要使用多于一個(gè) epoch？

　　我知道這剛開始聽起來會很奇怪，在神經(jīng)網(wǎng)絡(luò)中傳遞完整的數(shù)據(jù)集一次是不夠的，而且我們需要將完整的數(shù)據(jù)集在同樣的神經(jīng)網(wǎng)絡(luò)中傳遞多次。但是請記住，我們使用的是有限的數(shù)據(jù)集，并且我們使用一個(gè)迭代過程即梯度下降，優(yōu)化學(xué)習(xí)過程和圖示。因此僅僅更新權(quán)重一次或者說使用一個(gè) epoch 是不夠的。

　　隨著 epoch 數(shù)量增加，神經(jīng)網(wǎng)絡(luò)中的權(quán)重的更新次數(shù)也增加，曲線從欠擬合變得過擬合。

　　那么，幾個(gè) epoch 才是合適的呢？

　　不幸的是，這個(gè)問題并沒有正確的答案。對于不同的數(shù)據(jù)集，答案是不一樣的。但是數(shù)據(jù)的多樣性會影響合適的 epoch 的數(shù)量。比如，只有黑色的貓的數(shù)據(jù)集，以及有各種顏色的貓的數(shù)據(jù)集。

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

　　BATCH 是什么？

　　在不能將數(shù)據(jù)一次性通過神經(jīng)網(wǎng)絡(luò)的時(shí)候，就需要將數(shù)據(jù)集分成幾個(gè) batch。

　　正如將這篇文章分成幾個(gè)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。

　　理解迭代，只需要知道乘法表或者一個(gè)計(jì)算器就可以了。迭代是 batch 需要完成一個(gè) epoch 的次數(shù)。記住：在一個(gè) epoch 中，batch 數(shù)和迭代數(shù)是相等的。

　　比如對于一個(gè)有 2000 個(gè)訓(xùn)練樣本的數(shù)據(jù)集。將 2000 個(gè)樣本分成大小為 500 的 batch，那么完成一個(gè) epoch 需要 4 個(gè) iteraTIon。