Epoch

一个 epoch 表示机器学习算法对整个训练数据集完成一次完整的循环。在此过程中，模型有机会根据数据中的每个样本准确更新一次其内部参数。在深度学习的背景下，单次遍历很少足以让神经网络有效地学习复杂的模式。因此，训练通常涉及多个 epoch，从而让学习算法能够迭代地完善其理解，并最大限度地减少其预测与实际真值之间的误差。

Epoch 在优化中的作用#

训练的主要目标是调整模型权重以最小化特定的损失函数。优化算法（例如随机梯度下降 (SGD) 或 Adam 优化器）利用每个 epoch 期间计算出的误差来指导这些调整。随着 epoch 数量的增加，模型通常会从高误差状态（随机猜测）转变为较低误差状态（已学习的模式）。

然而，选择正确的 epoch 数量是超参数调整的一个关键方面。

• **Epoch 过少：**这可能导致欠拟合，此时模型尚未捕捉到数据的潜在趋势。
• **Epoch 过多：**这通常会导致过拟合，此时模型会记住训练噪声，而不是泛化到新数据。为了防止这种情况，开发者通常会监控验证数据上的性能，并采用诸如早停等技术，在泛化停止改善时暂停训练。

Epoch 与 Batch 与 Iteration 的区别#

初学者常将“epoch”与相关术语混淆。理解这些概念的层级结构对于正确配置训练循环至关重要：

• Epoch： 对完整数据集的一次完整遍历。
• **批次 (Batch)：**同时处理的数据集的子集。由于数据集通常太大而无法一次性全部放入GPU 内存中，因此它们被划分为由批次大小定义较小的组。
• Iteration（迭代）： 对模型权重的一次更新。如果数据集有 1,000 张图像，且批次大小为 100，则需要 10 次迭代才能完成一个 Epoch。

实际应用#

所需的 Epoch 数量因任务的复杂性和数据规模而异。

• **医学图像分析：**在医学图像分析中，例如检测 MRI 扫描中的肿瘤，准确性至关重要。为这些任务训练的模型通常要运行数百个 epoch。这种广泛的训练可确保卷积神经网络 (CNN)能够辨别区分恶性组织与健康组织的细微异常，从而可能挽救生命。
• **自动驾驶：**对于自动驾驶汽车，目标检测模型必须可靠地识别行人、标志和其他车辆。训练这些强大的系统通常涉及海量数据集，例如 COCO 或 Objects365。尽管数据集规模庞大，但模型仍然需要多个 epoch 才能收敛到能够很好地泛化到各种天气和光照条件的解决方案。

使用代码管理训练周期#

当使用诸如 Ultralytics YOLO 等现代框架时，定义 epoch 数量是训练命令中的一个直接参数。诸如 Ultralytics Platform 等工具可以帮助可视化每个 epoch 的损失曲线，以确定最佳停止点。

以下示例演示了在训练 YOLO26 模型时如何设置 epoch 计数：

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)

在此代码片段中，epochs=50 参数指示训练引擎对 coco8.yaml 数据集循环 50 次。在每个循环期间，模型执行前向传播和反向传播以精炼其检测能力。