1.深度學習中的batchsize, iterator, epoch

batchsize:批大小，比如SGD中的BP一次就是用的一批的資料
iterator:迭代次數，1個iterator相當於用一個batch訓練一次
epoch:訓練集中全部的資料被用過一次，叫一個epoch
舉個例子，在不考慮每個batch之間發生樣本交叉的情況下，假設有1000個樣本，batchsize是10，那麼用過全部的樣本訓練模型，需要1個epoch，100次iterator.

2.gallery set (參考影象集或者原型影象集)      Probe set(測試影象集合)

該論文的19頁有如下描述：在FERET 評估協議中，演算法設計者需要區分三個不同的集合：訓練集，參考影象集（或者
原型影象集，gallery set）、測試影象集合（Probe set=test set），其中gallery 集和probe 集供測試時使用。“訓
練必須在測試開始之前完成”暗示訓練是離線完成的，演算法不能根據Gallery 集來調整系統引數

通過和Ran He老師討論已經徹底搞清楚了：
比如他的CVPR 2012論文，用PCA+NN。人臉識別是一個開集問題，人臉驗證verification是一個閉集問題。訓練樣本可能是甲乙，測試樣本可能是丙丁。通過訓練樣本來學習PCA的投影向量W，降到多少維可以搜尋，他的CVPR 2012論文PCA是儲存98%能量,LDA是降到c-1維。和Ran He已討論清楚搜尋維數的方法：如果降到10維，取W的前10列分別乘以gallery和Probe，再用最近鄰分類；類似降到20維，取W的前20列分別乘以gallery和Probe，再用最近鄰分類。gallery相當於新的訓練集，在Probe上測試。ACCV 2012 tutorial Structured Sparsity via Half-quadratic Minimization的S1-SR的第八頁。在The CAS-PEAL large-scale Chinese face database and baseline evaluations (TSMCA 2008)P155也有Training set、 gallery set、Probe set定義