• batch_size确定每个小批量中的样本数。它的最大值是所有样本的数量，这使得梯度下降准确，如果学习率足够小，损失会向最小值减小，但迭代速度较慢。它的最小值为 1，导致随机梯度下降：快速但梯度步骤的方向仅基于一个示例，损失可能会跳跃。batch_size 允许在两个极端之间进行调整：准确的梯度方向和快速迭代。此外，如果您的模型 + 数据集不适合可用 (GPU) 内存，则可能会限制 batch_size 的最大值。
• steps_per_epoch在一个训练时期被认为完成之前的批迭代次数。如果你有一个固定大小的训练集，你可以忽略它，但如果你有一个巨大的数据集或者你正在动态生成随机数据增强，即如果你的训练集具有（生成的）无限大小，它可能会很有用。如果您有时间浏览整个训练数据集，我建议您跳过此参数。
• validation_steps类似于 steps_per_epoch 但在验证数据集上而不是在训练数据上。如果您有时间浏览整个验证数据集，我建议您跳过此参数。

Github里有答案

1. model.fit_generator要求输入数据集生成器无限运行。
2. steps_per_epochsteps_per_epoch用于通过调用生成器时间来生成整个数据集
3. 而epochs给出模型在整个数据集上训练的次数。

来自 tensorflow_estimator/python/estimator/training.py

停止条件：

为了可靠地支持分布式和非分布式配置，模型训练唯一支持的停止条件是train_spec.max_steps. 如果train_spec.max_steps是None，则模型将永远被训练。如果模型停止条件不同，请小心使用。例如，假设模型预计将使用一个 epoch 的训练数据进行训练，并且训练input_fn配置为在经过一个 epoch 后抛出 OutOfRangeError，epoch这将停止 Estimator.train. 对于 3-training-worker 分布式配置，每个training-worker 很可能独立完成整个 epoch。因此，模型将使用三个 epoch 的训练数据而不是一个 epoch 进行训练。