要训练frcnn模型，您需要定义两个参数，
epoch_length的默认值为1000。此外，如果我有500个num_epochs，则每个时期的长度为1000步。在this文章中指出：“请注意，每个批次仅在此处处理一个图像。”
所以如果我只有一堂课要训练1300张图像，那我应该将epoch_length更改为1300而不是1000吗？
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))
答案 0 :(得分：1)
通常，每次不需要（或无法）遍历每个时期的整个数据集时，您都可以使用epoch_length（或等效参数）。
事实上， epoch 的最常见定义如下：
一个纪元=所有训练一次传球（前进+后退） 例子
按照这个通用定义，您的模型应“查看”所有训练示例以声明一个时代的结束；然后下一个开始。在这种情况下，对 n 个时期的训练意味着该模型在 n 次中看到了每个训练示例。
但是，这并不总是可行的/您想做什么。
作为一个极端的例子，想象一下您正在使用合成数据训练模型，这些数据是由数据加载器动态生成的。在这种情况下，您的训练数据实际上是无限的，因此没有“迭代所有训练示例”的概念。一个时代将永远持续。在时代末期调用的任何回调（例如保存模型权重，计算指标）都将永远不会运行。
要解决此问题，您可以人为地定义多个批处理，这些批处理在您的特定应用程序中界定了一个时期。因此，您可以说epoch_length=1000，这意味着在训练了1000个示例/批次之后，您认为纪元已终止，而您又开始了一个新纪元。通过这种方式，您可以决定在时代结束时执行的每个操作（例如上述回调，日志记录等）执行的粒度。