是不是還在糾結網上的各類技術代名詞，是不是都覺得十分的相似，為了理解這些術語有什么不同，你需要了解一些關于機器學習的術語，比如梯度下降，以幫助你理解。

　　梯度下降

　　這是一個在機器學習中用于尋找最佳結果（曲線的最小值）的迭代優化算法。

　　梯度的含義是斜率或者斜坡的傾斜度。

　　下降的含義是代價函數的下降。

　　算法是迭代的，意思是需要多次使用算法獲取結果，以得到最優化結果。梯度下降的迭代性質能使欠擬合的圖示演化以獲得對數據的最佳擬合。

　　梯度下降中有一個稱為學習率的參量。如上圖左所示，剛開始學習率更大，因此下降步長更大。隨著點下降，學習率變得越來越小，從而下降步長也變小。同時，代價函數也在減小，或者說代價在減小，有時候也稱為損失函數或者損失，兩者都是一樣的。（損失/代價的減小是一件好事）

　　只有在數據很龐大的時候（在機器學習中，幾乎任何時候都是），我們才需要使用 epochs，batch size，迭代這些術語，在這種情況下，一次性將數據輸入計算機是不可能的。因此，為了解決這個問題，我們需要把數據分成小塊，一塊一塊的傳遞給計算機，在每一步的末端更新神經網絡的權重，擬合給定的數據。

　　EPOCHS

　　當一個完整的數據集通過了神經網絡一次并且返回了一次，這個過程稱為一個 epoch。

　　然而，當一個 epoch 對于計算機而言太龐大的時候，就需要把它分成多個小塊。

　　為什么要使用多于一個 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，并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。

　　隨著 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，這個問題并沒有正確的答案。對于不同的數據集，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。

　　BATCH SIZE

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

　　BATCH 是什么？

　　在不能將數據一次性通過神經網絡的時候，就需要將數據集分成幾個 batch。

　　正如將這篇文章分成幾個部分，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。

　　迭代

　　理解迭代，只需要知道乘法表或者一個計算器就可以了。迭代是 batch 需要完成一個 epoch 的次數。記住：在一個 epoch 中，batch 數和迭代數是相等的。

　　比如對于一個有 2000 個訓練樣本的數據集。將 2000 個樣本分成大小為 500 的 batch，那么完成一個 epoch 需要 4 個 iteration。