历元通常意味着对所有训练数据进行一次迭代。例如，如果您有20,000张图像且批处理大小为100，则纪元应包含20,000 / 100 = 200步。但是，即使我拥有更大的数据集，我通常也只设置固定的步骤数（例如每个时期1000）。在阶段结束时，我检查平均费用，如果费用有所改善，则保存一个检查点。从一个纪元到另一个纪元的步骤之间没有区别。我只是把它们当作检查站。

人们经常在各个时期之间乱转数据集。我更喜欢使用random.sample函数来选择要在我的时代处理的数据。假设我想以32个批次的大小执行1000步。我将从训练数据池中随机抽取32,000个样本。

用简单的话
纪元：纪元被视为整个数据集中的一次通过次数
步骤：在tensorflow中，一步被视为时期数乘以示例除以批次大小

steps = (epoch * examples)/batch size
For instance
epoch = 100, examples = 1000 and batch_size = 1000
steps = 100

训练步骤是一个梯度更新。在一个步骤batch_size中处理了许多示例。

一个时期包括整个训练数据的整个周期。这通常是很多步骤。例如，如果您有2,000张图像，并且批处理大小为10，则一个时代包括2,000张图像/（10张图像/步）= 200步。

如果您在每个步骤中随机（且独立）选择我们的训练图像，通常就不称其为时代。 [这是我的答案与上一个答案不同的地方。另请参阅我的评论。]

纪元：一个训练纪元代表了所有训练数据的完整使用，用于梯度计算和优化（训练模型）。

步骤：训练步骤是指使用一批数据的训练数据来训练模型。

每个时期的训练步骤数：total_number_of_training_examples个/ batch_size。

训练步骤总数：时期数x每个时期的训练步骤数。

当我目前正在尝试使用tf.estimator API时，我也想在此添加露水发现。我还不知道在整个TensorFlow中步骤和纪元参数的用法是否一致，因此，我现在仅与tf.estimator（特别是tf.estimator.LinearRegressor）有关。

num_epochs定义的培训步骤：未明确定义的steps

estimator = tf.estimator.LinearRegressor(feature_columns=ft_cols)
train_input =  tf.estimator.inputs.numpy_input_fn({'x':x_train},y_train,batch_size=4,num_epochs=1,shuffle=True)
estimator.train(input_fn=train_input)

评论：我为训练输入设置了num_epochs=1 ，并且numpy_input_fn的doc条目告诉我“ num_epochs：整数，要遍历数据的时期数。如果None则将永远运行。” 。在上面的示例中， num_epochs=1 ，训练正好运行x_train.size / batch_size次/步（在我的情况下，这是175000个步，因为x_train的大小为700000， batch_size为4）。

培养通过限定的步骤num_epochs ： steps比由隐式定义的步骤数显式定义的更高num_epochs=1

estimator = tf.estimator.LinearRegressor(feature_columns=ft_cols)
train_input =  tf.estimator.inputs.numpy_input_fn({'x':x_train},y_train,batch_size=4,num_epochs=1,shuffle=True)
estimator.train(input_fn=train_input, steps=200000)

注释：在我的情况下， num_epochs=1意味着175000步（ x_train.size / batch_size ， x_train.size = 700,000和batch_size = 4 ），这恰好是estimator.train的步数，尽管将steps参数设置为200,000 estimator.train(input_fn=train_input, steps=200000) 。

由steps定义的培训steps

estimator = tf.estimator.LinearRegressor(feature_columns=ft_cols)
train_input =  tf.estimator.inputs.numpy_input_fn({'x':x_train},y_train,batch_size=4,num_epochs=1,shuffle=True)
estimator.train(input_fn=train_input, steps=1000)

注释：尽管我在调用numpy_input_fn时已设置num_epochs=1 ，但是训练在1000个步骤后停止。这是因为steps=1000在estimator.train(input_fn=train_input, steps=1000)覆盖num_epochs=1在tf.estimator.inputs.numpy_input_fn({'x':x_train},y_train,batch_size=4,num_epochs=1,shuffle=True) 。

结论 ：无论参数num_epochs为tf.estimator.inputs.numpy_input_fn和steps为estimator.train限定，下限确定的，这将通过运行步骤的数目。