深度學習框架中涉及很多引數，如果一些基本的引數如果不瞭解，那麼你去看任何一個深度學習框架是都會覺得很困難，下面介紹幾個新手常問的幾個引數。

batch

深度學習的優化演算法，說白了就是梯度下降。每次的引數更新有兩種方式。

第一種，遍歷全部資料集算一次損失函式，然後算函式對各個引數的梯度，更新梯度。這種方法每更新一次引數都要把資料集裡的所有樣本都看一遍，計算量開銷大，計算速度慢，不支援線上學習，這稱為Batch gradient descent，批梯度下降。

另一種，每看一個數據就算一下損失函式，然後求梯度更新引數，這個稱為隨機梯度下降，stochastic gradient descent。這個方法速度比較快，但是收斂效能不太好，可能在最優點附近晃來晃去，hit不到最優點。兩次引數的更新也有可能互相抵消掉，造成目標函式震盪的比較劇烈。

為了克服兩種方法的缺點，現在一般採用的是一種折中手段，mini-batch gradient decent，小批的梯度下降，這種方法把資料分為若干個批，按批來更新引數，這樣，一個批中的一組資料共同決定了本次梯度的方向，下降起來就不容易跑偏，減少了隨機性。另一方面因為批的樣本數與整個資料集相比小了很多，計算量也不是很大。

基本上現在的梯度下降都是基於mini-batch的，所以深度學習框架的函式中經常會出現batch_size，就是指這個。 
關於如何將訓練樣本轉換從batch_size的格式可以參考訓練樣本的batch_size資料的準備。

iterations

iterations（迭代）：每一次迭代都是一次權重更新，每一次權重更新需要batch_size個數據進行Forward運算得到損失函式，再BP演算法更新引數。1個iteration等於使用batchsize個樣本訓練一次。

epochs

epochs被定義為向前和向後傳播中所有批次的單次訓練迭代。這意味著1個週期是整個輸入資料的單次向前和向後傳遞。簡單說，epochs指的就是訓練過程中資料將被“輪”多少次，就這樣。

舉個例子

訓練集有1000個樣本，batchsize=10，那麼： 
訓練完整個樣本集需要： 
100次iteration，1次epoch。

具體的計算公式為： 
one epoch = numbers of iterations = N = 訓練樣本的數量/batch_size

注：

在LSTM中我們還會遇到一個seq_length,其實 
batch_size = num_steps * seq_length