Epoch

Một epoch đại diện cho một chu kỳ hoàn chỉnh qua toàn bộ training dataset bởi một thuật toán machine learning. Trong quá trình này, model có cơ hội cập nhật các tham số nội bộ của nó dựa trên mọi mẫu trong dữ liệu chính xác một lần. Trong bối cảnh của deep learning, một lần chạy duy nhất hiếm khi đủ để một neural network học các mẫu phức tạp một cách hiệu quả. Do đó, quá trình training thường liên quan đến nhiều epoch, cho phép thuật toán học tập tinh chỉnh lặp lại sự hiểu biết của nó và giảm thiểu sai số giữa các dự đoán của nó và ground truth thực tế.

Vai trò của các Epoch trong Tối ưu hóa#

Mục tiêu chính của training là điều chỉnh model weights để giảm thiểu một loss function cụ thể. Các thuật toán tối ưu hóa, chẳng hạn như stochastic gradient descent (SGD) hoặc Adam optimizer, 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 có sai số cao (đoán mò) sang sai số thấp hơn (các mẫu đã học).

Tuy nhiên, việc lựa chọn số lượng epoch chính xác là một khía cạnh quan trọng của hyperparameter tuning.

• Quá ít epoch: Điều này có thể dẫn đến underfitting, trong đó model chưa nắm bắt được xu hướng cơ bản của dữ liệu.
• Quá nhiều epoch: Điều này thường dẫn đến overfitting, trong đó model ghi nhớ nhiễu training thay vì khái quát hóa sang dữ liệu mới. Để ngăn chặn điều này, các developer thường theo dõi hiệu suất trên validation data và áp dụng các kỹ thuật như early stopping để dừng training khi khả năng khái quát hóa ngừng cải thiện.

Epoch so với Batch so với Iteration#

Việc người mới bắt đầu nhầm lẫn "epoch" với các thuật ngữ liên quan là điều bình thường. Hiểu hệ thống phân cấp của các khái niệm này là điều cần thiết để định cấu hình training loops một cách chính xác:

• Epoch: Một lần đi qua hoàn chỉnh toàn bộ tập dữ liệu.
• Batch: Một tập hợp con của dataset được xử lý đồng thời. Do dataset thường quá lớn để vừa với GPU memory 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.

Các 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.

• Medical Image Analysis: Trong medical image analysis, chẳng hạn như phát hiện khối u trong quét MRI, độ chính xác là tối quan trọng. Các model được train cho các tác vụ này thường chạy trong hàng trăm epoch. Quá trình training mở rộng này đảm bảo convolutional neural network (CNN) có thể nhận biết các bất thường tinh tế phân biệt mô ác tính với mô lành tính, có khả năng cứu sống bệnh nhân.
• Autonomous Driving: Đối với autonomous vehicles, các model object detection phải xác định đáng tin cậy người đi bộ, biển báo và các phương tiện khác. Training các hệ thống mạnh mẽ này thường liên quan đến các dataset khổng lồ như COCO hoặc Objects365. Mặc dù kích thước dataset rất lớn, model vẫn yêu cầu nhiều epoch để hội tụ đến một giải pháp khái quát hóa tốt cho các điều kiện thời tiết và ánh sáng đa dạng.

Quản 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 trực quan trong lệnh training. Các công cụ như Ultralytics Platform có thể giúp trực quan hóa các đường cong loss qua mỗi epoch để xác định điểm dừng tối ưu.

Ví dụ sau đây minh họa cách đặt số lượng epoch khi training một YOLO26 model:

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 training chạy qua dataset coco8.yaml 50 lần riêng biệt. Trong mỗi chu kỳ, model thực hiện forward propagation và backpropagation để tinh chỉnh khả năng phát hiện của nó.