代表的是迭代的次數，如果過少會欠擬合，反之過多會過擬合
EPOCHS
當一個完整的數據集通過了神經網絡一次並且返回了一次，這個過程稱為一個 epoch。
然而，當一個 epoch 對於計算機而言太龐大的時候，就需要把它分成多個小塊。
為什么要使用多於一個 epoch？
我知道這剛開始聽起來會很奇怪，在神經網絡中傳遞完整的數據集一次是不夠的，而且我們需要將完整的數據集在同樣的神經網絡中傳遞多次。但是請記住，我們使用的是有限的數據集，並且我們使用一個迭代過程即梯度下降，優化學習過程和圖示。因此僅僅更新權重一次或者說使用一個 epoch 是不夠的。
隨着 epoch 數量增加，神經網絡中的權重的更新次數也增加，曲線從欠擬合變得過擬合。
那么，幾個 epoch 才是合適的呢？
不幸的是，這個問題並沒有正確的答案。對於不同的數據集，答案是不一樣的。但是數據的多樣性會影響合適的 epoch 的數量。比如，只有黑色的貓的數據集，以及有各種顏色的貓的數據集。