Epoch（轮次）

在机器学习 (ML)中，一个 epoch 表示整个训练数据集通过学习算法的完整传递。它是训练神经网络 (NN)的迭代过程中的一个基本概念，模型通过反复查看数据中的示例来学习。epoch 的数量是一个关键参数，它决定了模型将从完整训练信息集中学习多少次，直接影响模型的最终性能和质量。

Epochs 在模型训练中的作用

模型训练的主要目标是使模型能够从数据中学习模式。这是通过调整模型的内部参数（称为模型权重）来实现的，以最小化损失函数，损失函数量化模型预测与实际真实值之间的误差。在单个 epoch 期间，模型处理每个数据样本，并且诸如随机梯度下降 (SGD)之类的优化算法会更新这些权重。

对模型进行多个 epoch 的训练可以使其迭代地优化其参数。理论上，每次迭代后，模型应该在其任务上表现得更好，无论是图像分类还是目标检测。此过程使用流行的深度学习框架（如PyTorch或TensorFlow）进行管理。

Epoch、Iteration 与 Batch

虽然相关，但这些术语描述了训练过程的不同方面，并且经常被混淆。

• Epoch（周期）：模型完整地学习一遍整个训练数据集的循环。
• 批量大小: 单次迭代中使用的训练样本数。由于内存限制，一次处理整个数据集通常是不切实际的。
• 迭代: 模型权重的一次更新。一次迭代涉及处理一批数据并执行前向和后向传递（反向传播）。

例如，如果一个数据集有 10,000 张图像，并且批量大小为 100，则一个 epoch 将包含 100 次迭代（10,000 张图像 / 每批 100 张图像）。

确定合适的Epoch数量

选择正确的 epoch 数量是超参数调优的关键部分。它涉及到找到一个平衡点，以避免两个常见问题：

• 欠拟合: 当模型没有经过足够的 epoch 训练时，会发生这种情况。它无法学习数据中的潜在模式，并且在训练数据和测试数据上的表现都很差。
• 过拟合（Overfitting）：当模型训练的 epoch 次数过多时，就会发生过拟合。模型开始“记忆”训练数据，包括其中的噪声，并失去泛化到新的、未见过的数据的能力。虽然模型在训练集上可能具有出色的 准确率（accuracy），但在 验证数据（validation data） 上的表现会很差。

一种常见的对抗过拟合的技术是提前停止，即一旦模型在验证集上的性能停止提高，就停止训练。可以使用 TensorBoard 等工具或通过 Ultralytics HUB 等平台来监控进度，这有助于可视化每个 epoch 的训练指标。

真实世界的例子

Epoch 的概念在深度学习应用中是通用的。

1. 自动驾驶：用于自动驾驶汽车的目标检测模型在像 Argoverse 这样的大规模数据集上进行训练。该模型（例如 Ultralytics YOLO11）可能会训练 50-100 个 epoch。在每个 epoch 之后，使用像平均精度均值 (mAP)这样的指标来衡量其在验证集上的性能。工程师将从 epoch 中选择提供速度和准确性最佳平衡的模型，然后再进行部署。

2. 医学影像分析：用于脑部扫描中肿瘤检测的模型在专门的医学影像数据集上进行训练。鉴于此类数据集可能很小，因此该模型可能会训练数百个 epoch。为了防止过度拟合，使用了数据增强等技术，并在每个 epoch 之后密切监控验证损失。这确保了最终模型能够很好地泛化到来自新患者的扫描。遵循已建立的模型训练技巧对于在此类关键应用中取得成功至关重要。