TensorFlow中的步骤和纪元有什么区别？
Answers:
历元通常意味着对所有训练数据进行一次迭代。例如，如果您有20,000张图像且批处理大小为100，则纪元应包含20,000 / 100 = 200步。但是，即使我拥有更大的数据集，我通常也只设置固定的步骤数（例如每个时期1000）。在该阶段结束时，我检查平均费用，如果费用有所改善，则保存一个检查点。从一个纪元到另一个纪元的步骤之间没有区别。我只是把它们当作检查站。
人们经常在各个时期之间围绕数据集洗牌。我更喜欢使用random.sample函数来选择要在我的时代处理的数据。假设我想以32个批次的大小执行1000个步骤。我将从训练数据池中随机抽取32,000个样本。
训练步骤是一个梯度更新。第一步，处理了很多示例。
一个时期包括整个训练数据的整个周期。这通常是很多步骤。例如，如果您有2,000张图像，并且批处理大小为10，则一个时代包括2,000张图像/（10张图像/步）= 200步。
如果您在每个步骤中随机（且独立）选择我们的训练图像，通常不会将其称为时期。[这是我的答案与上一个答案不同的地方。另请参阅我的评论。]
当我目前正在尝试使用tf.estimator API时，我也想在此添加露水发现。我还不知道在整个TensorFlow中step和epochs参数的用法是否一致，因此目前我只是与tf.estimator（特别是tf.estimator.LinearRegressor）相关。
定义的培训步骤num_epochs：steps未明确定义
estimator = tf.estimator.LinearRegressor(feature_columns=ft_cols)
train_input = tf.estimator.inputs.numpy_input_fn({'x':x_train},y_train,batch_size=4,num_epochs=1,shuffle=True)
estimator.train(input_fn=train_input)注释：我已经设置num_epochs=1了训练输入，并且doc项numpy_input_fn告诉我“ num_epochs：整数，用于遍历数据的时期数。如果None将永远运行，则结束。” 。与num_epochs=1在上面的例子中的训练运行恰好x_train.size /的batch_size次/步骤（在我的情况下，这是175000个步骤x_train的尺寸为700000和batch_size是4）。
定义的培训步骤num_epochs：steps显式定义的数量高于隐式定义的步骤数量num_epochs=1
estimator = tf.estimator.LinearRegressor(feature_columns=ft_cols)
train_input = tf.estimator.inputs.numpy_input_fn({'x':x_train},y_train,batch_size=4,num_epochs=1,shuffle=True)
estimator.train(input_fn=train_input, steps=200000)注释：num_epochs=1在我的情况下，这将意味着175000步（x_train.size / batch_size，x_train.size = 700,000和batch_size = 4），estimator.train尽管steps参数设置为200,000 ，但这正是步骤数estimator.train(input_fn=train_input, steps=200000)。
培训步骤由 steps
estimator = tf.estimator.LinearRegressor(feature_columns=ft_cols)
train_input = tf.estimator.inputs.numpy_input_fn({'x':x_train},y_train,batch_size=4,num_epochs=1,shuffle=True)
estimator.train(input_fn=train_input, steps=1000)注释：尽管我已设定num_epochs=1呼叫时numpy_input_fn训练在1000步后停止。这是因为steps=1000in estimator.train(input_fn=train_input, steps=1000)覆盖num_epochs=1in tf.estimator.inputs.numpy_input_fn({'x':x_train},y_train,batch_size=4,num_epochs=1,shuffle=True)。
结论：无论参数num_epochs对tf.estimator.inputs.numpy_input_fn和steps用于estimator.train限定，下限确定的，这将通过运行步骤的数目。
用简单的话来说，
时代：时代被认为是整个数据集的一次通过的数量
步骤：在张量流中，一步被认为是时代的数量乘以实例除以批大小
steps = (epoch * examples)/batch size
For instance
epoch = 100, examples = 1000 and batch_size = 1000
steps = 100由于尚无公认的答案：默认情况下，一个时期运行在您所有的训练数据上。在这种情况下，您有n个步骤，其中n = Training_lenght / batch_size。
如果您的训练数据太大，则可以决定限制某个时期的步数。[ https://www.tensorflow.org/tutorials/structured_data/time_series?_sm_byp=iVVF1rD6n2Q68VSN]
当步数达到您设置的限制时，该过程将重新开始，开始下一个时期。在TF中工作时，通常会先将您的数据转换为批次列表，这些批次列表将馈送到模型中进行训练。在每个步骤中，您都要处理一批。
至于设置1个周期的1000个步长还是10个周期的100个步长更好，我不知道是否有一个直接的答案。但是以下是使用TensorFlow时间序列数据教程使用两种方法训练CNN的结果：
在这种情况下，两种方法都可以得出非常相似的预测，只有训练过程不同。
步数= 20 /时代= 100
步数= 200 /时代= 10
