Python 递归神经网络中的历元与迭代

我正在使用RNN和LSTM查看Keras的性能，但仍然对术语“历元”和“迭代”之间的差异感到困惑

尽管，前面的问题问的是同一件事，但我无法理解，或者这个答案与我理解它的方式不同，也与下面的示例处理它的方式不同。基于此,据说,

一次历元=所有训练示例的一次向前传球和一次向后传球

迭代次数=通过次数，每次通过使用[batch size]示例数

示例：如果您有1000个培训示例，并且批处理大小为500，则需要2次迭代才能完成1个历元

总结如下：

（#培训示例/批量大小）=（#迭代/#时代）

然而，据我所知，以下结论与先前的结论不同

# train the model, output generated text after each iteration
for iteration in range(1, 60):
    print()
    print('-' * 50)
    print('Iteration', iteration)
    model.fit(X, y, batch_size=128, nb_epoch=1)

    start_index = random.randint(0, len(text) - maxlen - 1)

    for diversity in [0.2, 0.5, 1.0, 1.2]:
        print()
        print('----- diversity:', diversity)

        generated = ''
        sentence = text[start_index: start_index + maxlen]
        generated += sentence
        print('----- Generating with seed: "' + sentence + '"')
        sys.stdout.write(generated)

        for i in range(400):
            x = np.zeros((1, maxlen, len(chars)))
            for t, char in enumerate(sentence):
                x[0, t, char_indices[char]] = 1.

            preds = model.predict(x, verbose=0)[0]
            next_index = sample(preds, diversity)
            next_char = indices_char[next_index]

            generated += next_char
            sentence = sentence[1:] + next_char

            sys.stdout.write(next_char)
            sys.stdout.flush()
        print()

这里，迭代是60，历元数设置为1，这让我很困惑。似乎有60次迭代，如在范围（1,60）中所述。对于每个迭代，按照所述的

model.fit（X，y，batch\u size=128，nb\u epoch=1）为每个for循环进行一个历元。这里还有一个
批量大小=128
。那么迭代到底意味着什么呢

根据这个例子，任何人都可以解释迭代和历元之间的区别。？
我认为在这个例子中，迭代意味着一些不同的东西：你在学习过程中迭代，在每个历元之后，你都在用部分学习的模型做一些事情。您正在以迭代的方式进行操作，这就是为什么要使用迭代单词。
在本例中，迭代仅用于显示中间结果。
我们可以删除此代码：

for diversity in [0.2, 0.5, 1.0, 1.2]:
    print()
    print('----- diversity:', diversity)

    generated = ''
    sentence = text[start_index: start_index + maxlen]
    generated += sentence
    print('----- Generating with seed: "' + sentence + '"')
    sys.stdout.write(generated)

    for i in range(400):
        x = np.zeros((1, maxlen, len(chars)))
        for t, char in enumerate(sentence):
            x[0, t, char_indices[char]] = 1.

        preds = model.predict(x, verbose=0)[0]
        next_index = sample(preds, diversity)
        next_char = indices_char[next_index]

        generated += next_char
        sentence = sentence[1:] + next_char

        sys.stdout.write(next_char)
        sys.stdout.flush()
    print()

而是：

for iteration in range(1, 60):
  model.fit(X, y, batch_size=128, nb_epoch=1)

写：

model.fit(X, y, batch_size=128, nb_epoch=60)

RNN中的Epoch一词不同于多层感知器或CNN，此处RNN训练中的Epoch涉及时间上连续的单串输入-输出响应对。RNN中的Epoch一词不同于多层感知器或CNN，在这里，RNN的训练涉及到时间上连续的输入-输出响应对的单个字符串