Epoch

Một epoch đại diện cho một chu kỳ hoàn chỉnh đi qua toàn bộ tập dữ liệu huấn luyện bởi một thuật toán học máy. Trong quá trình này, model có cơ hội cập nhật các tham số nội bộ của nó dựa trên mọi mẫu trong dữ liệu đúng một lần. Trong bối cảnh của deep learning, một lần lặp đơn lẻ hiếm khi là đủ để một mạng thần kinh học các mô hình phức tạp một cách hiệu quả. Do đó, việc huấn luyện thường bao gồm nhiều epoch, cho phép thuật toán học tập tinh chỉnh sự hiểu biết của nó một cách lặp đi lặp lại và giảm thiểu sai số giữa các dự đoán của nó và sự thật thực tế (ground truth).

Link to this sectionVai trò của các Epoch trong Tối ưu hóa#

Mục tiêu chính của việc huấn luyện là điều chỉnh trọng số model để giảm thiểu một hàm mất mát cụ thể. Các thuật toán tối ưu hóa, như stochastic gradient descent (SGD) hoặc bộ tối ưu hóa Adam, sử dụng sai số được tính toán trong mỗi epoch để hướng dẫn các điều chỉnh này. Khi số lượng epoch tăng lên, model thường chuyển từ trạng thái sai số cao (đoán ngẫu nhiên) sang sai số thấp hơn (các mô hình đã học).

Tuy nhiên, việc chọn đúng số lượng epoch là một khía cạnh quan trọng của tinh chỉnh siêu tham số.

• Quá ít epoch: Điều này có thể dẫn đến underfitting, nơi model chưa nắm bắt được xu hướng cơ bản của dữ liệu.
• Quá nhiều epoch: Điều này thường dẫn đến overfitting, nơi model ghi nhớ nhiễu huấn luyện thay vì khái quát hóa cho dữ liệu mới. Để ngăn chặn điều này, các nhà phát triển thường theo dõi hiệu suất trên dữ liệu kiểm định và sử dụng các kỹ thuật như dừng sớm (early stopping) để tạm dừng quá trình huấn luyện khi khả năng khái quát hóa không còn cải thiện.

Link to this sectionEpoch so với Batch so với Iteration#

Người mới bắt đầu thường nhầm lẫn "epoch" với các thuật ngữ liên quan. Hiểu được hệ thống phân cấp của các khái niệm này là điều cần thiết để cấu hình vòng lặp huấn luyện một cách chính xác:

• Epoch: Một lần đi qua hoàn chỉnh toàn bộ tập dữ liệu.
• Batch: Một tập con của tập dữ liệu được xử lý đồng thời. Vì các tập dữ liệu thường quá lớn để vừa với bộ nhớ GPU cùng một lúc, chúng được chia thành các nhóm nhỏ hơn được xác định bởi batch size.
• Iteration: Một lần cập nhật duy nhất cho các trọng số của model. Nếu một tập dữ liệu có 1.000 hình ảnh và batch size là 100, sẽ mất 10 lần iteration để hoàn thành một epoch.

Link to this sectionCác ứng dụng trong thực tế#

Số lượng epoch cần thiết thay đổi đáng kể tùy thuộc vào độ phức tạp của tác vụ và kích thước của dữ liệu.

• Phân tích Hình ảnh Y tế: Trong phân tích hình ảnh y tế, chẳng hạn như phát hiện khối u trong ảnh quét MRI, độ chính xác là tối quan trọng. Các model được huấn luyện cho những tác vụ này thường chạy hàng trăm epoch. Việc huấn luyện chuyên sâu này đảm bảo convolutional neural network (CNN) có thể phân biệt các điểm bất thường tinh vi giúp phân biệt mô ác tính với mô lành, từ đó có khả năng cứu sống bệnh nhân.
• Lái xe Tự động: Đối với phương tiện tự hành, các model phát hiện đối tượng phải xác định được người đi bộ, biển báo và các phương tiện khác một cách đáng tin cậy. Việc huấn luyện các hệ thống mạnh mẽ này thường liên quan đến các tập dữ liệu khổng lồ như COCO hoặc Objects365. Mặc dù kích thước tập dữ liệu rất lớn, model vẫn yêu cầu nhiều epoch để hội tụ về một giải pháp khái quát hóa tốt trong các điều kiện thời tiết và ánh sáng đa dạng.

Link to this sectionQuản lý các Chu kỳ Huấn luyện bằng Code#

Khi sử dụng các framework hiện đại như Ultralytics YOLO, việc xác định số lượng epoch là một tham số đơn giản trong lệnh huấn luyện. Các công cụ như Ultralytics Platform có thể giúp trực quan hóa các đường cong mất mát qua mỗi epoch để xác định điểm dừng tối ưu.

Ví dụ sau đây minh họa cách đặt số lượng epoch khi huấn luyện một model 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)

Trong đoạn mã này, tham số epochs=50 hướng dẫn engine huấn luyện chạy qua tập dữ liệu coco8.yaml 50 lần riêng biệt. Trong mỗi chu kỳ, model thực hiện lan truyền tiến (forward propagation) và lan truyền ngược (backpropagation) để tinh chỉnh các khả năng phát hiện của nó.