Machine learning 每个历元和历元的步长设置如何影响Keras中的训练结果？

我的生成器总是从我的数据集中随机生成两幅图像，然后我使用这两个样本计算损失。假设我设置

steps\u per\u epoch=40

和

epochs=5

，如果我设置

steps\u per\u epoch=5

和

epochs=40

（我使用Adam作为优化器）

epochs

参数（也称为迭代）指的是整个训练数据的完整通过次数。

steps\u per\u epoch

参数是指在一个epoch期间生成的批数。因此，我们有

每个历元的步骤=n个样本/批次大小

例如，如果我们有1000个训练样本，并且我们将批量大小设置为10，那么我们就有

步骤/epoch=1000/10=100

。可以设置

历元

，而不考虑批量大小或

每历元的步数

---

没有适用于所有场景的批量大小的确定值。通常，非常大的批量会减慢训练过程（即模型收敛到解决方案需要更多的时间），而非常小的批量可能无法很好地利用可用资源（即GPU和CPU）。通常的值包括32、64、128、256、512（2的幂有助于更快的GPU内存分配）。此外，这涉及到这个问题，其中包括相关书籍和论文的引用。或者在交叉验证中查看其答案，以获得更完整的批次大小定义。

但它如何影响结果？对于1000个训练样本，如果我将批处理大小设置为100，那么每个历元的步数将为10。这会对培训产生不同的影响吗？@TeresaHo我更新了我的帖子。请看一看。