神經網絡中epoch與iteration是不相等的

batchsize：中文翻譯為批大?。ㄅ叽纾?。在深度學習中，一般采用SGD訓練，即每次訓練在訓練集中取batchsize個樣本訓練；

iteration：中文翻譯為迭代，1個iteration等于使用batchsize個樣本訓練一次；一個迭代 = 一個正向通過+一個反向通過

epoch：迭代次數，1個epoch等于使用訓練集中的全部樣本訓練一次；一個epoch = 所有訓練樣本的一個正向傳遞和一個反向傳遞

舉個例子，訓練集有1000個樣本，batchsize=10，那么：訓練完整個樣本集需要：100次iteration，1次epoch。

擴展資料

神經網絡工作原理

人工神經網絡首先要以一定的學習準則進行學習，然后才能工作?，F以人工神經網絡對于寫“A”、“B”兩個字母的識別為例進行說明，規定當“A”輸入網絡時，應該輸出“1”，而當輸入為“B”時，輸出為“0”。

所以網絡學習的準則應該是：如果網絡作出錯誤的判決，則通過網絡的學習，應使得網絡減少下次犯同樣錯誤的可能性。首先，給網絡的各連接權值賦予(0，1)區間內的隨機值，將“A”所對應的圖象模式輸入給網絡。

網絡將輸入模式加權求和、與門限比較、再進行非線性運算，得到網絡的輸出。在此情況下，網絡輸出為“1”和“0”的概率各為50%，也就是說是完全隨機的。這時如果輸出為“1”(結果正確)，則使連接權值增大，以便使網絡再次遇到“A”模式輸入時，仍然能作出正確的判斷。

普通計算機的功能取決于程序中給出的知識和能力。顯然，對于智能活動要通過總結編制程序將十分困難。

人工神經網絡也具有初步的自適應與自組織能力。在學習或訓練過程中改變突觸權重值，以適應周圍環境的要求。同一網絡因學習方式及內容不同可具有不同的功能。人工神經網絡是一個具有學習能力的系統，可以發展知識，以致超過設計者原有的知識水平。

通常，它的學習訓練方式可分為兩種，一種是有監督或稱有導師的學習，這時利用給定的樣本標準進行分類或模仿；另一種是無監督學習或稱無為導師學習，這時，只規定學習方式或某些規則，則具體的學習內容隨系統所處環境 （即輸入信號情況）而異，系統可以自動發現環境特征和規律性，具有更近似人腦的功能。

神經網絡就像是一個愛學習的孩子，您教她的知識她是不會忘記而且會學以致用的。我們把學習集（Learning Set）中的每個輸入加到神經網絡中，并告訴神經網絡輸出應該是什么分類。在全部學習集都運行完成之后，神經網絡就根據這些例子總結出她自己的想法，到底她是怎么歸納的就是一個黑盒了。

之后我們就可以把測試集（Testing Set）中的測試例子用神經網絡來分別作測試，如果測試通過（比如80%或90%的正確率），那么神經網絡就構建成功了。我們之后就可以用這個神經網絡來判斷事務的分類了。

神經網絡是通過對人腦的基本單元——神經元的建模和聯接，探索模擬人腦神經系統功能的模型，并研制一種具有學習、聯想、記憶和模式識別等智能信息處理功能的人工系統。神經網絡的一個重要特性是它能夠從環境中學習，并把學習的結果分布存儲于網絡的突觸連接中。

神經網絡的學習是一個過程，在其所處環境的激勵下，相繼給網絡輸入一些樣本模式，并按照一定的規則（學習算法）調整網絡各層的權值矩陣，待網絡各層權值都收斂到一定值，學習過程結束。然后我們就可以用生成的神經網絡來對真實數據做分類。

batchsize：中文翻譯為批大?。ㄅ叽纾Ｔ谏疃葘W習中，一般采用SGD訓練，即每次訓練在訓練集中取batchsize個樣本訓練；
iteration：中文翻譯為迭代，1個iteration等于使用batchsize個樣本訓練一次；
一個迭代 = 一個正向通過+一個反向通過
epoch：迭代次數，1個epoch等于使用訓練集中的全部樣本訓練一次；
一個epoch = 所有訓練樣本的一個正向傳遞和一個反向傳遞
舉個例子，訓練集有1000個樣本，batchsize=10，那么：
訓練完整個樣本集需要：
100次iteration，1次epoch。