epoch、batch、batch size和mini-batch都是深度学习中常见的名词，初学时经常混淆，在此整理。

当一个完整的数据集经过神经网络一次，并返回一次，这个过程称为一个epoch。

在深度学习中，向神经网络传递整个数据集一次是远远不够的，而需要多次在神经网络上训练。从欠拟合的状态向适当拟合靠近。当然一不小心也可能会过拟合。也就是说不同的数据集，最适的epoch是不同的，会受到数据集多样性的影响。

当数据集很大的时候，对于每个epoch，很难将所有的数据集一次读入到内存中，这是需要将数据集分为几次读入，每次称为一个batch。

即batch中样本的数量。

需要先介绍下梯度下降的两种方法。

这种方法每次使用整个batch计算损失，调整参数。性能相对较好，但是计算量大，速度慢。

每次选取一个数据调整参数，计算很快，但是收敛性能不好，容易在最优点附近震荡。

现在解释mini-batch。这里指的是一种梯度下降的方法，算是融合了上述两种方法的优点。也就是说把batch分成小batch，在小batch上梯度下降。