3.對神經網絡訓練中Epoch的理解

 

表明的是迭代的次數，若是過少會欠擬合，反之過多會過擬合

EPOCHS

當一個完整的數據集經過了神經網絡一次而且返回了一次，這個過程稱爲一個 epoch。

 

然而，當一個 epoch 對於計算機而言太龐大的時候，就須要把它分紅多個小塊。

 

爲何要使用多於一個 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，並且咱們須要將完整的數據集在一樣的神經網絡中傳遞屢次。可是請記住，咱們使用的是有限的數據集，而且咱們使用一個迭代過程即梯度降低，優化學習過程和圖示。所以僅僅更新權重一次或者說使用一個 epoch 是不夠的。

 

 

隨着 epoch 數量增長，神經網絡中的權重的更新次數也增長，曲線從欠擬合變得過擬合。

 

那麼，幾個 epoch 纔是合適的呢？

不幸的是，這個問題並無正確的答案。對於不一樣的數據集，答案是不同的。可是數據的多樣性會影響合適的 epoch 的數量。好比，只有黑色的貓的數據集，以及有各類顏色的貓的數據集。