詳細解釋
訓練週期（Epoch）是整個訓練數據集通過神經網絡一次的前向和反向傳播過程，是多輪訓練的基本單位，與迭代（Iteration）不同。
術語區別：
- Epoch：整個數據集一遍
- Iteration/Step：一個批次的前向+反向
- 關係：1 Epoch = 數據集大小 / Batch Size 個 Iterations
示例：
- 數據集：10,000樣本
- 批次大小：32
- 則：1 Epoch = 10,000/32 ≈ 313 Iterations
訓練過程：
- 多個Epoch：通常數十到數百個
- 損失下降：每個Epoch損失通常降低
- 驗證評估：每N個Epoch評估驗證集
- 早停：驗證損失不再改善時停止
Epoch數量選擇：
- 太少：欠擬合，未充分學習
- 太多：過擬合，記住訓練數據
- 合適：驗證損失最小化
- 經驗：通常10-1000，取決於數據和模型
Epoch vs Iterations：
- Epoch：宏觀進度
- Iteration：微觀更新
- 日誌：通常記錄Iteration級別
- 學習率調度：可按Epoch或Iteration
訓練動態：
- 早期Epoch：快速學習，損失下降快
- 中期Epoch：微調，損失下降慢
- 後期Epoch：可能過擬合，驗證損失上升
與其他概念的關係：
- Early-stopping：基於Epoch的停止決策
- Learning-rate-scheduler：按Epoch調整學習率
- Batch-size：影響每Epoch的Iteration數
可視化：
- 損失曲線：橫軸通常是Epoch
- 學習曲線：訓練/驗證隨Epoch的變化
- 診斷：判斷欠擬合/過擬合
Epoch是組織和衡量訓練過程的基本單位。