时代：一次遍历整个数据。

批次大小：一批中没有示例。

如果有1000个示例，并且批处理大小为100，则每个时期将有10个步骤。

时期和批量大小完全定义了步骤数。

steps_cal =（不符合/批量大小）* no_of_epochs

estimator.fit(input_fn=input_fn)

如果您只是编写上述代码，则“ steps”的值将由上述公式中的“ steps_cal”给出。

estimator.fit(input_fn=input_fn, steps  = steps_less)

如果您提供的值（例如``steps_less''）小于``steps_cal''，则仅执行``steps_less''个步骤，在这种情况下，培训将不会涵盖所提到的所有时期。

estimator.fit(input_fn=input_fn, steps  = steps_more)

如果您提供的值（例如，steps_more）多于steps_cal，则也会执行“ steps_cal”，而不会执行任何步骤。

该答案基于我对入门教程代码所做的实验。

Mad Wombat对num_epochs ， batch_size和steps术语进行了详细说明。这个答案是对他答案的扩展。

num_epochs-程序可以在一train()迭代整个数据集的最大次数。使用此参数，我们可以限制在执行一个train()方法期间可以处理的批处理数量。

batch_size - input_fn发出的单个批次中的示例数

步骤 LinearRegressor.train()方法可在一次执行中处理的批次数量

max_steps是LinearRegressor.train()方法的另一个参数。此参数定义了LinearRegressor()对象生命周期中可以处理的最大步数（批次）。

我们这意味着什么。以下实验更改了教程提供的两行代码。其余代码保持不变。

注意：对于所有示例，假定训练次数，即x_train的长度等于4。

例1：

input_fn = tf.estimator.inputs.numpy_input_fn( {"x": x_train}, y_train, batch_size=4, num_epochs=2, shuffle=True)

estimator.train(input_fn=input_fn, steps=10)

在此示例中，我们定义了batch_size = 4和num_epochs =2。因此，对于一次train()执行， input_fn只能发出2批输入数据。即使我们定义的步数 = 10， train()方法也会在2个步骤后停止。

现在，再次执行estimator.train(input_fn=input_fn, steps=10) 。我们可以看到还执行了2个步骤。我们可以一次又一次地继续执行train()方法。如果我们执行train() 50次，则总共执行了100个步骤。

例2：

input_fn = tf.estimator.inputs.numpy_input_fn( {"x": x_train}, y_train, batch_size=2, num_epochs=2, shuffle=True)

estimator.train(input_fn=input_fn, steps=10)

在此示例中， batch_size的值更改为2（在示例1中等于4）。现在，在每次执行train()方法时，将处理4个步骤。第四步之后，没有要继续运行的批处理。如果再次执行train()方法，则将处理另外4个步骤，使其总共达到8个步骤。

在这里， 步骤的值无关紧要，因为train()方法最多可以获取4个批次。如果steps的值小于（ num_epochs x training_size ）/ batch_size ，请参阅示例 3。

例3：

input_fn = tf.estimator.inputs.numpy_input_fn( {"x": x_train}, y_train, batch_size=2, num_epochs=8, shuffle=True)

estimator.train(input_fn=input_fn, steps=10)

现在，让batch_size = 2， num_epochs = 8， 步数 = input_fn可以在一次train()方法中总共发出16个批处理。但是，将step设置为10。这意味着，即使input_fn可以提供16个批处理来执行， train()必须在10个步骤之后停止。当然，可以重新执行train()方法以累积更多步骤。

从示例1、2和3中，我们可以清楚地看到step ， num_epoch和batch_size的值如何影响一次可以由train()方法执行的步骤数。

的参数MAX_STEPS train()方法的限制，可以通过累积运行步骤的总数train()

例4：

如果batch_size = 4， num_epochs = 2，则input_fn可以发出2个批处理以执行一次train() 。但是，如果将max_steps设置为20，那么无论执行多少次train() ，优化中都将只运行20个步骤。这与示例1相反，在示例1中，如果将train()方法提取100次，则优化器可以运行200步。

希望这能对这些论点的含义有一个详细的了解。

TL; DR ：一个时期是您的模型一次遍历整个训练数据。步骤是当您的模型训练单个批次（如果您一个个地发送样本，则训练单个样本）。在1000个样本上训练5个时期，每批10个样本将需要500个步骤。

contrib.learn.io模块的文档不够好，但是numpy_input_fn()函数似乎需要一些numpy数组并将它们分批作为分类器的输入。因此，时期的数量可能意味着“停止之前要经过多少次输入数据”。在这种情况下，它们以4批元素的方式喂入两个长度为4的数组，因此这仅意味着输入函数最多会执行1000次此操作，然后再引发“数据不足”异常。 estimator fit()函数中的steps参数是estimator应该执行训练循环的次数。这个特定示例有些不正确，所以让我组成另一个示例，使事情更清楚（希望如此）。

假设您有两个要训练的numpy数组（样本和标签）。它们每个都是100个元素。您希望培训以每批10个样本的方式进行。因此，经过10批处理后，您将遍历所有训练数据。那是一个时代。如果将输入生成器设置为10个纪元，它将在停止之前经过10次训练集，即最多生成100个批次。

再次说明，io模块没有文档说明，但是考虑到tensorflow中其他与输入相关的API如何工作，应该有可能使其生成无限次数的数据，因此控制训练时间的唯一方法就是步骤。这为您提供了一些额外的灵活性，让您可以更好地进行培训。您可以一次执行多个纪元，或者一次执行多个步骤，或者两者都执行。

num_epochs：最大纪元数（查看每个数据点）。

步骤：（参数的）更新次数。

当批次大小小于训练数据数量时，您可以在一个时期内多次更新。

让我们从相反的顺序开始：

1） 步骤 -学习算法中的训练循环运行以更新模型中参数的次数。在每次循环迭代中，它将处理大块数据，这基本上是一个批处理。通常，此循环基于“ 梯度下降”算法。

2） 批量大小 -您在学习算法的每个循环中提供的数据块的大小。您可以提供整个数据集，在这种情况下，批处理大小等于数据集大小。您也可以一次提供一个示例。或者，您可以提供一些N个示例。

3） 时代 -您遍历数据集提取批处理以供学习算法使用的次数。

假设您有1000个示例。设置批处理大小= 100，历元= 1，步数= 200，可在整个数据集中进行一次处理（一次历时）。在每遍中，它将为该算法提供100个示例的批处理。该算法每批将运行200个步骤。总共可以看到10个批次。如果将纪元更改为25，则它将执行25次，总共将看到25x10批。

我们为什么需要这个？梯度下降（批量，随机，微型批量）以及用于优化学习参数的其他算法（例如L-BFGS）有很多变体。其中一些需要分批查看数据，而其他一些则一次只能查看一个基准。另外，其中一些包含随机因素/步骤，因此您可能需要对数据进行多次遍历才能获得良好的收敛性。