前言
在新手搭建神经网络时，常弄不清epoch、batch_size、iteration和batch_idx（iteration ）的区别。
这里以torchvision自带的CIFAR10数据集来举例，通过代码操作来直观地对这几个概念进行理解。
声明，这里batch_idx==iteration。
数据准备
首先加载数据集：
import torch
import torch.nn as nn
import torchvisiontrain_dataset = torchvision.datasets.CIFAR10(root="data/",train=True,download=False)
test_dataset = torchvision.datasets.CIFAR10(root="data/",train=False,download=False)
train_loader = torch.utils.data.DataLoader(dataset=train_dataset,batch_size=100,shuffle=True,num_workers=0)
test_loader = torch.utils.data.DataLoader(dataset=test_dataset,batch_size=50,shuffle=False,num_workers=0)
如果之前没有下载过此数据集，请将train_dataset中的download设置为True进行下载。
这里最关键的数据是代码loader中的batch_size，这里记住数值为50。
数据简介
输入：
print(train_dataset)
print(train_dataset.data.shape)
得到：
ataset CIFAR10Number of datapoints: 50000Root location: data/Split: Train
(50000, 32, 32, 3)
即train_dataset中含有50000个32*32的3通道图片数据，test_dataset含有10000个。
我们使用enumerate函数对已经载入的数据进行迭代，这是一个能够迭代式地从数据装载器中拿出数据的函数，看看能够迭代多少次。
for batch_idx,(inputs,labels) in enumerate(train_loader,0): # 从0开始迭代print(batch_idx)
得到batch_idx最终显示为1000。发现，存在等式50000=50*1000。
让我们试试test_loader，此时的test的batch_size是25。结果batch_idx为多少呢？400！满足10000=25*400。
很直观地，存在等式：数据个数/长度 = batch_size * batch_idx。一般的，数据个数/长度是已知的，batch_size是程序员自行设计的，而batch_idx是根据等式得出的。
那究竟这些参数是什么意思呢？
- batch_size ： 代表每次从所有数据中取出一小筐子数据进行训练，类似挑十框石头，每次挑一筐，此时的
batch_size=1。这个参数是由于深度学习中尝使用SGD（随机梯度下降）产生。batch_size的大小取值和GPU内存会有关系，数值越大一次性载入数据越多，占用的GPU内存越多。适当增加batch_size能够增加训练速度和训练精度（因为梯度下降时震动较小），过小会导致模型收敛困难。 - batch_idx（iteration ） ： 代表要进行多少次
batch_size的迭代，十框石头一次挑一框，batch_idx即为10。而为什么会介绍这个参数呢？ 是因为在深度学习训练中，需要print出一个个阶段的精度/loss，而这个参数就是用来作为pirnt精度/loss的index。实际上，这是一个代号参数，也可以写成iteration 、step、i或者其他自己能够清晰理解的名字。 - epoch ： 把所有的训练数据全部迭代遍历一遍（单次epoch），在上面的例子是把
train_loader的50000个数据遍历一遍，举例的话是将十框石头全部搬一遍称为一个epoch。深度学习中常常训练十个甚至百个epoch，这是根据网络最终是否收敛决定的。 - 数据个数/长度 = 1 epoch = batch_size * batch_idx