Machine learning 时代和训练步骤是一样的吗？

例如，这些“步骤=1000”和“num_epochs=1000”的含义是否完全相同？如果是，为什么需要复制？如果不是，我可以将这两个参数设置为不同的吗？

否，它们不相同。与大多数（all？）框架一样，Tensorflow有一些命令用于指定年代，还有一些命令用于步骤，即迭代。步骤是一个批次，由模型输入中指定的批次大小控制

例如，如果您使用默认批量大小为256的AlexNet，并且ILSVRC 2012数据集大约有128万个图像，那么每个历元大约有5000个步骤（1280000/256）

---

Batch size是并行处理的图像数。如果数据集中有128万张图像，那么每个历元必须处理1280万张图像：这就是历元的定义——每个输入处理一次。现在，算法清晰了吗？

以下是任何机器学习算法或框架中历元和步骤之间的基本区别：

一旦框架通过其训练集中的所有数据点来更新其参数，它就被称为一个历元。步骤是参数的一次更新（例如，如果训练DNN，则神经网络的权重）。可使用单个数据点或一小批数据点（例如，随机抽取100个数据点，有无替换）或所有数据点进行更新。因此，如您所见，如果所有数据点都在一个步骤（或参数更新）中使用，它将成为一个历元，即一个步骤=一个历元

---

通常，框架使用小型批处理，在一个步骤中，它们将100个（或其他数量的）数据点批处理在一起，并执行一次更新。在这种情况下，如果您总共有100万个数据点（10^6），那么一个历元有10000个步骤，因为一个步骤包含100个数据点。

通过“每个历元5000个步骤”，您的意思是批次大小256等于历元数吗？请澄清更多。顺便说一句，在我的例子中，我可以将步骤更改为“500”到“1000”吗？我的理解是，由于batch size=“4”，所有数据点都在一个步骤中使用。如果是这样，为什么要指定“steps”参数？它不应该总是通过“（#数据点/批量大小）*时代”自动计算吗？

features = [tf.contrib.layers.real_valued_column("x", dimension=1)]
estimator = tf.contrib.learn.LinearRegressor(feature_columns=features)
y = np.array([0., -1., -2., -3.])
input_fn = tf.contrib.learn.io.numpy_input_fn({"x":x}, y, batch_size=4,
                                              num_epochs=1000)

estimator.fit(input_fn=input_fn, steps=1000)