在训练 Faster R-CNN 模型时 - 'epoch_length' 是什么意思？
In training a Faster R-CNN model - What does 'epoch_length' mean?
为了训练 frcnn 模型，您需要定义两个参数，
- num_epochs
- epoch_length
epoch_length 的默认值为 1000。另外，如果我有 500 num_epochs，那么每个纪元就是 1000 步长。在 this 文章中指出 'Note that every batch only processes one image in here.'
因此，如果我只有一个 class 来训练 1300 张图像，那么我是否应该将 epoch_length 更改为 1300 而不是 1000？
num_epochs = 500
epoch_length = 1000
for epoch_num in range(num_epochs):
progbar = generic_utils.Progbar(epoch_length)
print('Epoch {}/{}'.format(epoch_num + 1, num_epochs))
通常，每次您不想（或不能）为每个时期迭代整个数据集时，您都可以有一个 epoch_length（或等效）参数。
事实上，epoch最常见的定义如下：
one epoch = one single pass (forward + backward) on all the training
examples
按照这个通用定义，你的模型应该"see"所有的训练样本来宣告一个时期结束；然后下一个开始。在这种情况下，训练 n 个时期意味着模型看到每个训练示例 n 次。
然而，这并不总是可行/你想做的。
作为一个极端的例子，假设您正在使用合成数据训练您的模型，这些数据是由数据加载器即时生成的。在此设置中，您的训练数据几乎是无限的，因此没有 "iterating over all training examples" 的概念。一个时代将永远持续下去。在 epoch 结束时调用的任何回调（例如保存模型权重、计算指标）永远不会 运行.
为了解决这个问题，您可以在您的特定应用程序中人为地定义多个批次来分隔一个纪元。所以你可以说 epoch_length=1000，这意味着在对 1000 examples/batches 进行训练后，你认为这个纪元终止了，你开始一个新的纪元。通过这种方式，您可以决定在 epoch 结束时执行的每个操作（例如上面的回调、日志记录等）的执行粒度。
为了训练 frcnn 模型，您需要定义两个参数，
- num_epochs
- epoch_length
epoch_length 的默认值为 1000。另外，如果我有 500 num_epochs，那么每个纪元就是 1000 步长。在 this 文章中指出 'Note that every batch only processes one image in here.'
因此，如果我只有一个 class 来训练 1300 张图像，那么我是否应该将 epoch_length 更改为 1300 而不是 1000？
num_epochs = 500
epoch_length = 1000
for epoch_num in range(num_epochs):
progbar = generic_utils.Progbar(epoch_length)
print('Epoch {}/{}'.format(epoch_num + 1, num_epochs))
通常，每次您不想（或不能）为每个时期迭代整个数据集时，您都可以有一个 epoch_length（或等效）参数。
事实上，epoch最常见的定义如下：
one epoch = one single pass (forward + backward) on all the training examples
按照这个通用定义，你的模型应该"see"所有的训练样本来宣告一个时期结束；然后下一个开始。在这种情况下，训练 n 个时期意味着模型看到每个训练示例 n 次。
然而，这并不总是可行/你想做的。
作为一个极端的例子，假设您正在使用合成数据训练您的模型，这些数据是由数据加载器即时生成的。在此设置中，您的训练数据几乎是无限的，因此没有 "iterating over all training examples" 的概念。一个时代将永远持续下去。在 epoch 结束时调用的任何回调（例如保存模型权重、计算指标）永远不会 运行.
为了解决这个问题，您可以在您的特定应用程序中人为地定义多个批次来分隔一个纪元。所以你可以说 epoch_length=1000，这意味着在对 1000 examples/batches 进行训练后，你认为这个纪元终止了，你开始一个新的纪元。通过这种方式，您可以决定在 epoch 结束时执行的每个操作（例如上面的回调、日志记录等）的执行粒度。