Epoch、batchsize、episode、iteration

一、常规参数
1.1 epoch
是指所有的训练数据都要跑一遍。假设有6400个样本，在训练过程中，这6400个样本都跑完了才算一个epoch。一般实验需要训练很多个epoch，直到LOSS稳定后才停止。

1.2 batch_size
中文名称是批大小，之前的6400个样本，如果送一个样本进去，就更新一次网络的权重，也就是在线学习。与之对应的，我们可以把一个epoch的数据，分批送进网络，可以加快训练时间。每次送多少进去，就是batch_size，假设把6400个样本，分成50次送进去，那么每一次就要送128个样本进去，即batch_size=128。

1.3 iteration
把一个epoch的所有数据分成了很多批，批数就是iteration，按上面的假设，iteration=50，每经过一个iteration，参数更新一次，可以理解为batch的个数。

    样本总数=batch_size * iteration

二、小样本训练参数
2.1 episode
（相当于传统训练中的batch）小样本学习在训练时，会分成很多次训练，每一次都要从所有类中随机选择一些类别来train（不放回抽样）。一般一个epoch含有多个episode，一个episode就是一次选择support set和query set类别的过程，即用选择的某几个类训练一次模型，下一个episode，再选择其他几个类训练模型。episode内部由两部分构成：support set和query set。

2.1.1 support set
在构建episode时候，每个episode都会从全量数据中随机选择一些类别，比如C个类别；选定C个类别后，再具体在每个类别中随机选择K个样本，这便构成了support set，这样总共包含C * K个样本。一般而言模型会在这个上面进行一次训练。这样构造出来的任务便是C-way K-shot。

2.1.2 query set
和support set类似，会在剩下的数据集样本中选择D个类（注意这里的类别是从对应的spport set类别选择，D≤C）采样一些样本