Machine learning 在Tensorflow中为教程示例选择num_epochs值

上的tensorflow教程中有一个估算器示例，他们在其中创建线性回归模型，如下所示：

将tensorflow导入为tf
将numpy作为np导入
特征列=[tf.特征列.数字列（“x”，形状=[1]）]
估计器=tf.估计器.线性累加器（特征列=特征列）
x_列=np.数组（[1,2,3,4]）
y_列=np.数组（[0，-1.，-2.，-3.]））
x_eval=np.数组（[2,5,8,1]）
y_eval=np.array（[-1.01，-4.1，-7,0.]）
input_fn=tf.estimator.inputs.numpy_input_fn（{“x”：x_train}，y_train，批大小=4，num_epochs=None，shuffle=True）
训练输入=tf.estimator.inputs.numpy输入=fn（{“x”：x\u train}，y\u train，批量大小=4，num\u epochs=1000，shuffle=False）
eval_input_fn=tf.estimator.inputs.numpy_input_fn（{“x”：x_eval}，y_eval，批大小=4，num_epochs=1000，shuffle=False）
估算器.序列（输入=输入，步数=1000）
训练度量=估计器。评估（输入=训练输入）
评估指标=估计器。评估（输入=评估输入）
打印（“列车指标：%r”%train\u指标）
打印（“评估指标：%r”%eval\u指标）

我的问题是“训练输入”和“评估输入”为什么需要选择“num\u epochs=1000”

这些是具有不同“num_epochs”值的输出：

num_epochs=1000

train metrics:{'global_step'：1000，“loss'：4.370838e-08，“average_loss'：1.0927096e-08}
评估指标：{'global_step'：1000，“损失”：0.010135064，“平均损失”：0.00253766}

num_epochs=1

train metrics:{'global_step'：1000，“loss”：9.6500253e-07，“average_loss”：2.4125063e-07}
评估指标：{'global_step'：1000，“损失”：0.010293347，“平均损失”：0.002573367}

当num_epochs=1时，我希望'loss'和'average_loss'的值相同。有人能帮我理解吗

---

谢谢。

你的直觉是正确的：

0.002533766 == 0.010293347 / 4

或

或

---

然而，我也被难住了，为什么选择多个时期进行评估是有意义的，特别是如果

x_eval.shape[0]==batch_size

。也许他们只是想证明函数

tf.estimator.inputs.numpy\u input\u fn

接受

num\u epochs

作为参数。

你的直觉是正确的：

0.002533766 == 0.010293347 / 4

或

或

然而，我也被难住了，为什么选择多个时期进行评估是有意义的，特别是如果

x_eval.shape[0]==batch_size

。也许他们只是想证明函数

tf.estimator.inputs.numpy\u input\u fn

接受

num\u epochs

作为参数

average_loss == epoch_loss / x_eval.shape[0]