历元数也是一个超参数。但是，如果您想问要选择什么工作，无论是增加时代还是其他一些方法，如特征工程，那么下面是我的答案。

越来越多的时期通常被归因于锤击来训练模型，您自己通常不必过多考虑数据，而 deepNet 通常会为您完成。然而，它是以计算复杂性、过度拟合风险等为代价的。

相反，始终建议尽可能多地处理特征工程等任务，在训练时调整不同的其他超参数。事实上，数据科学家应该优先处理这些事情，而不仅仅是盲目地利用 deepNet 的黑盒概念。

但是，即使您选择增加 epoch 的数量，您也可以使用称为early stopping. 它基本上说如果验证损失没有改善，则在某个时期停止训练，您可以使用它而无需过多考虑增加时期数的影响，因为如果验证损失没有改善，它将停在那里。

我更喜欢调整超参数，而不是为多个 epoch 运行网络，因为为大量 epoch 运行神经网络会导致过度拟合，这应该避免。

epoch 的数量是优化问题的一部分。因此，达到优化的结果需要考虑 epoch 的数量以及其他超参数。

您应该调整所有超参数，包括时期数。

为了加快训练速度，最初使用高学习率η，并在损失饱和时降低它。这在 Keras 中被推荐为一种技术，他们甚至提供了这样做的功能。这将允许您在更少的时期内训练您的网络。注意初始学习率太高，因为它会导致学习过程不稳定（波动的损失函数而不是单调递减）。

确保您还使用了dropout超参数，该参数已被证明在提高 NN 的性能方面非常成功，特别是在推广到看不见的样本方面。

如果您同时应用上述两种方法，您可以拥有一个有效的网络，该网络的训练时间比其他方式所需的时间要少。