我正在使用TensorFlow对象检测API实现一个主动学习流程。因此，我从xView数据集中的一张图像开始（大小约为3000×4000像素）。

现在我正在用批量大小为1训练我的faster_rcnn网络。如果只有一个图像进行训练且批量大小为1，那么控制台中打印的每一步是否等于一个epoch？

假设经过20个主动学习周期后，训练数据集中有20张图像，我训练了19步，那么最后一张图像永远不会被训练，对吗？

如果图像数量增加但每个主动学习周期的步数保持不变，网络永远不会训练后添加的图像，还是会从它停止的地方继续训练（例如图像19）？

回答：

你似乎正确理解了epoch：它是在数据集中对每个图像训练一次的训练过程。如果你的批量大小等于数据集大小，那么是的，每个epoch有一个迭代。

如果你训练了19步（批量大小=1）并且有20张图像，那么其中一张将被排除在近似epoch之外…但被排除的图像不一定是“最后”一张（“最后”取决于你的图像如何排序）。这取决于你的数据摄取软件——你没有指定这一点。

大多数这些输入包使用“shuffle”操作，这是一个在每个epoch开始时随机排序数据集的功能。我也使用过一个摄取包，正如你所建议的，从上一个周期停止的地方继续进行每一次传递（伪epoch训练组）。它还提供了一个选项，每次数据集用尽时是否重新洗牌。

为了得到明确的答案，你需要检查你的框架文档和你为特定模型所做的配置选择。如果没有这样的文档，你就只能做我曾经不得不做过几次的事情：花十分钟原始尖叫时间:-)，然后阅读代码。