我正在通过TensorFlow get started tutorial。在tf.contrib.learn示例中，这些是两行代码：
input_fn = tf.contrib.learn.io.numpy_input_fn({"x":x}, y, batch_size=4, num_epochs=1000)
estimator.fit(input_fn=input_fn, steps=1000)
我想知道steps函数调用中的fit参数与num_epochs调用中的numpy_input_fn之间有什么区别。难道不应该有一个论点吗？他们是如何联系的？
我发现代码以某种方式将这两者中的min作为本教程玩具示例中的步骤数。
感谢所有答案。恕我直言，至少，num_epochs或steps这两个参数中的一个必须是多余的。我们可以从另一个计算一个。有没有办法可以知道我的算法实际采取了多少步骤（参数更新的次数）？
我很好奇哪一个优先。它是否依赖于其他一些参数？
答案 0 :(得分：36)
contrib.learn.io模块没有很好地记录，但似乎numpy_input_fn()函数需要一些numpy数组并将它们一起批处理作为分类器的输入。因此，时期的数量可能意味着“在停止之前通过输入数据的次数”。在这种情况下，它们以4个元素批次提供两个长度为4的数组，因此它只是意味着输入函数在引发“数据外”异常之前最多会执行1000次。估算器fit()函数中的steps参数是估计器应该执行训练循环的次数。这个特殊的例子有点不正常，所以让我组成另一个让事情变得更清晰（希望如此）。
假设您有两个要训练的numpy数组（样本和标签）。它们各有100个元素。您希望您的培训批量生产每批10个样品。因此，在10批次之后，您将查看所有培训数据。那是一个时代。如果您将输入生成器设置为10个时期，它将在停止之前通过您的训练集10次，即最多生成100个批次。
同样，io模块没有记录，但考虑到张量流中其他与输入相关的API如何工作，应该可以使它生成无限数量的时期数据，因此控制训练时间的唯一因素是是步骤。这为您提供培训进展的灵活性。您可以一次或多次执行多个时期或两者或其他任何步骤。
编辑：TL; DR Epoch是您的模型一次完成整个训练数据的时间。步骤是您的模型在单个批次上进行训练（如果您逐个发送样本，则为单个样本）。 1000个样本的5个时期的培训每批10个样本将需要500个步骤。
答案 1 :(得分：19)
时代：一次通过整个数据。
批量大小：一批中看不到的例子。
如果有1000个示例且批量大小为100，那么每个时期将有10个步骤。
纪元和批量大小完全定义了步数。
steps_cal =（没有ex / batch_size）* no_of_epochs
estimator.fit(input_fn=input_fn)
如果你只是编写上面的代码，那么'steps'的值是由上面公式中的'steps_cal'给出的。
estimator.fit(input_fn=input_fn, steps = steps_less)
如果你给一个小于'steps_cal'的值（比如'steps_less'），那么只会执行'steps_less'no步骤。在这种情况下，训练不会覆盖所提到的整个时期。
estimator.fit(input_fn=input_fn, steps = steps_more)
如果你给一个值（比如steps_more）大于steps_cal，那么'steps_cal'也会执行步骤。
答案 2 :(得分：16)
让我们从顺序开始：
1） 步骤 - 学习算法中的训练循环将运行以更新模型中的参数的次数。在每次循环迭代中，它将处理一大块数据，这基本上是一个批处理。通常，此循环基于 Gradient Descent 算法。
2） 批量大小 - 您在学习算法的每个循环中提供的数据块的大小。您可以提供整个数据集，在这种情况下，批量大小等于数据集大小。您也可以一次提供一个示例。或者您可以提供一些 N 的示例。
3） 纪元 - 您在提取批次以提供学习算法的数据集上运行的次数。
假设你有1000个例子。设置批量大小= 100，epoch = 1和步骤= 200给出了在整个数据集上一次通过（一个时期）的过程。在每次传递中，它将为算法提供100个示例。该算法将在每批中运行200步。总共可以看到10批次。如果你将纪元改为25，那么它将完成25次，你可以完全看到25x10批次。
为什么我们需要这个？梯度下降（批量，随机，小批量）以及用于优化学习参数的其他算法（例如，L-BFGS）有许多变化。其中一些需要批量查看数据，而其他人一次只能查看一个数据。此外，其中一些包括随机因素/步骤，因此您可能需要多次传递数据才能获得良好的收敛。
答案 3 :(得分：13)
这个答案是基于我在入门教程代码上所做的实验。
Mad Wombat详细解释了术语 num_epochs ， batch_size 和步骤。这个答案是他答案的延伸。
num_epochs - 程序在一个train()中迭代整个数据集的最大次数。使用此参数，我们可以限制在执行一个train()方法期间可以处理的批次数。
batch_size - input_fn
发出的单个批次中的示例数量 步骤 - LinearRegressor.train()方法可以在一次执行中处理的批次数
max_steps 是LinearRegressor.train()方法的另一个参数。此参数定义了LinearRegressor()对象生存期中可以处理的最大步骤数（批次）。
我们这意味着什么。以下实验更改了本教程提供的两行代码。其余的代码保持原样。
注意：对于所有示例，假设训练次数，即 x_train 的长度等于4。
例1：
input_fn = tf.estimator.inputs.numpy_input_fn(
{"x": x_train}, y_train, batch_size=4, num_epochs=2, shuffle=True)
estimator.train(input_fn=input_fn, steps=10)
在这个例子中，我们定义了 batch_size = 4和 num_epochs = 2.因此，input_fn只能发出2批输入数据执行train()。即使我们定义了步骤 = 10，但train()方法在两步后停止。
现在，再次执行estimator.train(input_fn=input_fn, steps=10)。我们可以看到已经执行了2个步骤。我们可以一次又一次地执行train()方法。如果我们执行train() 50次，则总共执行了100个步骤。
例2：
input_fn = tf.estimator.inputs.numpy_input_fn(
{"x": x_train}, y_train, batch_size=2, num_epochs=2, shuffle=True)
estimator.train(input_fn=input_fn, steps=10)
在此示例中， batch_size 的值更改为2（在Ex 1中等于4）。现在，在train()方法的每次执行中，处理4个步骤。在第4步之后，没有批次可以运行。如果再次执行train()方法，则会处理另外4个步骤，共计8个步骤。
此处，步骤的值无关紧要，因为train()方法最多可以获得4个批次。如果步骤的值小于（ num_epochs x training_size ）/ batch_size ，请参阅例3。
例3：
input_fn = tf.estimator.inputs.numpy_input_fn(
{"x": x_train}, y_train, batch_size=2, num_epochs=8, shuffle=True)
estimator.train(input_fn=input_fn, steps=10)
现在，让 batch_size = 2， num_epochs = 8，步骤 = 10. input_fn可以总共发出一次运行train()方法的16批次。但是，步骤设置为10.这意味着尽管input_fn可以提供16个批次来执行，但train()必须在10个步骤后停止。当然，train()方法可以累积执行更多步骤。
从例子1,2和＆amp; 3，我们可以清楚地看到步骤， num_epoch 和 batch_size 的值如何影响{{1}可以执行的步骤数一次运行中的方法。
train()方法的 max_steps 参数限制了train()
例4：
如果 batch_size = 4， num_epochs = 2，则train()可以为一次input_fn执行2批次。但是，如果将train()设置为20，则无论执行max_steps多少次，优化中只会运行20个步骤。这与示例1形成对比，如果train()方法被退出100次，优化器可以运行200步。
希望这能详细了解这些论点的含义。
答案 4 :(得分：3)
num_epochs：最大纪元数（查看每个数据点）。
步骤：更新次数（参数）。
您可以在一个纪元中多次更新 当批量大小小于训练数据时。