根据我对卷积神经网络的了解，你必须在每个epoch中使用相同的训练样本，但要打乱顺序（这样网络在训练时不会记住特定的顺序）。

然而，在这篇文章中，他们在每个epoch中向网络输入64000个随机样本（因此只有一些训练样本被“见过”）：

每个训练实例都是均匀抽样的3张图片，其中2张属于同一类别（x和x+），第三张（x−）属于不同类别。每个训练epoch包含640000个这样的实例，（每个epoch随机选择），以及用于测试的固定64000个实例集。

那么，我是否必须在每个epoch中使用相同的训练样本，为什么？

当我使用随机样本时，实验结果很差——准确率波动很大。但我想知道为什么。

回答：

大多数情况下，你可能希望使用尽可能多的数据。然而，在你引用的论文中，他们训练的是三元损失，它使用三元图像组，可能有数十亿这样的三元组。

你可能会想，如果每次可能得到不同的训练集，为什么还要引入epoch的概念。答案是技术性的：我们希望偶尔在验证数据上评估网络，你也可能希望根据完成的epoch数量来进行学习率衰减。