核心要点
Epoch（轮）：把全部训练数据完整过一遍叫一个 epoch。
Batch（批）：每次更新参数所用的一小批样本，数量由 batch size 决定。
Iteration（迭代）：用一个 batch 完成一次参数更新，叫一次 iteration。
换算关系：1 个 epoch 包含的 iteration 数 = 样本总数 ÷ batch 大小。
标准回答
为什么要分批
训练数据可能有上百万条，一次性全塞进显存既放不下、更新也慢。所以把数据切成一小批一小批（batch），每次只用一批来更新一次模型参数。
三者的关系
- Batch：一次喂给模型的一小撮样本，比如 64 条。
- Iteration：用这 64 条算一次梯度、更新一次参数，就是一次 iteration。
- Epoch：当所有样本都被用过一遍（不重不漏），就完成了一个 epoch。
用刷题打比方
假设题库有 1000 道题（样本），你每次拿 100 道一起做并总结（batch=100）。做完并总结一次就是一次 iteration；把 1000 道全部做完一遍就是一个 epoch，这一个 epoch 里你总结了 1000÷100 = 10 次，也就是 10 次 iteration。通常要刷很多遍（多个 epoch）模型才学得好。
常见误区
⚠️ 常见踩坑
不要把 epoch 和 iteration 混为一谈。一个 epoch 通常包含很多次 iteration；batch 越小，一个 epoch 里的 iteration 次数越多，参数更新越频繁。
追问
追问 1：Batch size 设大设小有什么影响？
batch 大：每次更新更稳定、能更好利用 GPU 并行，但占显存多、每个 epoch 更新次数变少。batch 小：更新更频繁、噪声大、有时反而有助于跳出不好的解，但训练可能更慢、不稳定。常见取值如 32、64、128，需结合显存和效果调。
追问 2：为什么要训练多个 epoch？
一遍数据往往不够模型把规律学透。多跑几个 epoch 让模型反复看数据、逐步收敛。但 epoch 太多又可能过拟合（把训练集背下来、对新数据变差），所以常用验证集监控，适时停止。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。