有两个术语与学习时的示例数量有关。时代和迭代。在每个 epoch 中，您提供训练集中的所有示例并更新网络。您可以同时提供数据，而不是针对大型任务或批量提供数据。您通过每个批次的每一轮都称为迭代。因此，每个时期可能有多次迭代。我们必须多次传递数据的原因是我们不知道沿每个轴、特征的每个局部最优值的高度。因此，我们使用学习率来限制我们的步数，并采取多个步骤来接近所需的点。

由于我们一位朋友的要求，我添加了明确的定义：

• Epoch：表示整个数据集通过网络的次数。
• 迭代：这意味着对于每个 epoch，您通过数据集的块的次数。这些数据块称为批处理，您通过网络传递它们的次数称为迭代次数。

简单来说，Epoch 是一个迭代。例如，在 k-means 聚类中，在每个 epoch 中都会得到更好的聚类。

在一个成功的时期之后，（a）中的集群更好地近似于（b）中的集群。