训练时的Iteration、batchsize、epoch和loss的关系

本文链接： https://blog.csdn.net/GL3_24/article/details/90297077

batchsize：批处理大小。一次训练所选取的样本数。它的大小影响模型的优化程度和速度。
Iteration：迭代次数。一次Iteration就是batchsize个训练数据前向传播和反向传播后更新参数的过程。
epoch：所有训练数据前向传播和反向传播后更新参数的过程。也就是我们认为的所有数据集跑了一遍。
如果训练集大小是100000。batchsize为100，那么一个epoch需要1000次Iteration。

即：1 epoch = 训练集大小(100000) / batchsize(100) = 1000次Iteration

      
      
      
     
     
     
      
      
      1

loss：在训练过程中，训练日志中会输出loss值。这个loss值是每一个Iteration得到的loss值，也就是一个batchsize个训练数据前向传播和反向传播后更新参数的过程之后得到的loss值。

其实每次迭代都会得到一个loss值，只是我们在solver.prototxt中设置了display超参数，隔多少次显示一次。
更简单直接的理解就是， Iteration 0, loss = 0.693502，代表的是没有迭代时的loss， Iteration 1, loss =~~代表的是第一次迭代时的loss，也就是第一个batchsize个训练数据的loss，同理，第50次代表50个batchsize个训练数据的loss。

作者：GL3_24
来源：CSDN
著作权归作者所有。转载请联系作者获得授权。

                                </div>
            <link href="https://csdnimg.cn/release/phoenix/mdeditor/markdown_views-e44c3c0e64.css" rel="stylesheet">
                </div>
</article>

训练时的Iteration、batchsize、epoch和loss的关系

训练时的Iteration、batchsize、epoch和loss的关系

免责声明！