我正在使用隐藏马尔可夫模型使用N样本句子构建语音到文本系统进行重新估计。在神经网络的背景下，我理解 epoch 的概念是指完整的训练周期。我认为这意味着＆＃34;将相同的数据提供给相同的，更新的网络，每次都有不同的权重和偏差。 - 如果我错了，请纠正我。
从相同的句子执行HMM的重新估计（即训练）时，相同的逻辑是否有效？换句话说，如果我有N个句子，我可以重复输入样本10次，以生成10 * N个样本。这是否意味着我在HMM上执行 10 epochs ？此外，这实际上有助于获得更好的结果吗？
从this论文中，我得到的印象是，HMMs背景下的时代指的是一个时间单位：
计数表示生成的特定于设备的数字量 通过加速度计获得特定时间单位（时期）（例如1至60） 秒）。
如果不是时间单位， epoch 至少听起来不同。最后，我想知道：
答案 0 :(得分：1)
HMM背景下的时代是什么？
与神经网络相同，处理整个数据集。
它与神经网络中的时代有什么不同？
除了“epoch”这个术语并没有广泛用于HMM之外没有任何差异。人们只称它为“迭代”。
本文中的“大纪元”根本与HMM背景无关，它是一篇独立于该论文的想法，你不应该从论文中概括术语用法。从这篇论文中，我得到的印象是，HMMs语境中的时代指的是一个时间单位
考虑到将纪元定义为训练周期，多个时期会改善对HMM的重新估计吗？
没有诸如多个时期之类的东西改善了对神经网络和HMM的重新估计。每个时期都会提高到某一点的准确度，然后发生过度训练，验证错误开始增加，训练误差持续为零。通常，取决于模型架构，存在最佳迭代次数。 HMM模型通常具有较少的参数并且不易于过度训练，因此额外的时期并不是那么有害。尽管如此，还是有许多需要以最佳方式执行的时代。
在语音识别中，通常是Baum-Welch算法的6-7次迭代。较少的时代会给你不太准确的模型，更多的时代可能导致过度训练或者根本不改善任何事物。