Epoch

Эпоха (epoch) представляет собой один полный цикл прохода алгоритма машинного обучения по всему набору данных для обучения. В ходе этого процесса модель получает возможность ровно один раз обновить свои внутренние параметры на основе каждого образца данных. В контексте глубокого обучения одного прохода редко бывает достаточно для эффективного изучения сложных закономерностей нейронной сетью. Поэтому обучение обычно включает в себя множество эпох, что позволяет алгоритму обучения итеративно уточнять свое понимание и минимизировать ошибку между своими предсказаниями и реальной истиной.

Роль эпох в оптимизации#

Основная цель обучения заключается в настройке весов модели для минимизации определенной функции потерь. Алгоритмы оптимизации, такие как стохастический градиентный спуск (SGD) или оптимизатор Adam, используют ошибку, вычисленную на каждой эпохе, для управления этими настройками. По мере увеличения числа эпох модель обычно переходит из состояния высокой ошибки (случайного угадывания) в состояние более низкой ошибки (изученных закономерностей).

Однако выбор правильного количества эпох является критически важным аспектом настройки гиперпараметров.

• Слишком мало эпох: Это может привести к недообучению, при котором модель еще не уловила базовую тенденцию данных.
• Слишком много эпох: Это часто приводит к переобучению, когда модель запоминает шум обучающей выборки, вместо того чтобы обобщать новые данные. Чтобы предотвратить это, разработчики часто отслеживают производительность на данных валидации и используют такие методы, как ранняя остановка, чтобы прекратить обучение, когда улучшение обобщающей способности прекращается.

Эпоха vs. Пакет vs. Итерация#

Новичкам свойственно путать термин «эпоха» с сопутствующими понятиями. Понимание иерархии этих концепций необходимо для правильной настройки циклов обучения:

• Эпоха: Один полный проход через весь набор данных.
• Батч (Batch): Подмножество набора данных, обрабатываемое одновременно. Поскольку наборы данных зачастую слишком велики, чтобы поместиться в память GPU целиком, они делятся на более мелкие группы, определяемые размером батча.
• Итерация: Одно обновление весов модели. Если в наборе данных 1000 изображений, а размер пакета составляет 100, то для завершения одной эпохи потребуется 10 итераций.

Реальные приложения#

Количество необходимых эпох сильно варьируется в зависимости от сложности задачи и объема данных.

• Медицинский анализ изображений: В анализе медицинских изображений, например при обнаружении опухолей на МРТ-сканах, точность имеет первостепенное значение. Модели, обучаемые для таких задач, часто работают на протяжении сотен эпох. Такое масштабное обучение гарантирует, что сверточная нейронная сеть (CNN) сможет распознать тонкие аномалии, отличающие злокачественную ткань от здоровой, потенциально спасая жизни.
• Автономное вождение: Для автономных транспортных средств модели обнаружения объектов должны надежно идентифицировать пешеходов, знаки и другие машины. Обучение таких надежных систем обычно включает огромные наборы данных, такие как COCO или Objects365. Несмотря на огромный размер набора данных, модели все равно требуется множество эпох для сходимости к решению, которое хорошо обобщается на различные условия погоды и освещения.

Управление циклами обучения с помощью кода#

При использовании современных фреймворков, таких как Ultralytics YOLO, определение количества эпох является простым аргументом в команде обучения. Такие инструменты, как Ultralytics Platform, помогают визуализировать кривые потерь на каждой эпохе для определения оптимальной точки остановки.

Следующий пример демонстрирует, как задать количество эпох при обучении модели YOLO26:

from ultralytics import YOLO

# Load the YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")

# Train the model for 50 epochs
# The 'epochs' argument determines how many times the model sees the entire dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

В этом фрагменте аргумент epochs=50 предписывает обучающему движку пройти 50 отдельных циклов по набору данных coco8.yaml. Во время каждого цикла модель выполняет прямое распространение и обратное распространение ошибки для улучшения своих возможностей обнаружения.