一个epoch表示：使用所有training data 训练一遍模型 batch：是因为随机梯度下降等原因才设置的，一个batch表示很小的已部分训练数据 one epoch = one forward pass and one backward pass of all the training examples batch size = the number of training examples in one forward/backward pass. The higher the batch size, the more memory space you'll need. number of iterations = number of passes, each pass using [batch size] number of examples. To be clear, one pass = one forward pass + one backward pass (we do not count the forward pass and backward pass as two different passes).

👍,讲的很细

13:05 处，500 epochs 模型参数有误： 0.8304*x1 + 8.239^{-4} x2 + 4.138^{-9} 应修正为： 0.8304*x1 + 8.239*10^{-4} x2 + 4.138*10^{-9}

老师，并没有看到代码中哪里有把w的值重新修改的地方，是梯度下降函数tf.train.GradientDescentOptimizer自动去做的吗？

最后输出结果那里应该 先进行sess.run(W)，否则无法输出W［1］

"我也是，把源码chapter-4导入到Jupyter，运行2-training-model.ipynb，结果训练出来的模型全是 Model: y = 0x1 + 0x2 + 0 ，是有什么问题吗？" 找到原因了，换了一个Docker镜像，“tensorflow/tensorflow:latest-py3-jupyter" 之后就正常了

我问的是如果train example被分成512个minibatch，那么每个epoch(或这说每个step)是训练1个minibath还是512个minibatch，因为我看到网上有些代码两种情况都有，但是更倾向于每个epoch训练512个minibatch(也就是所有的train example)

老师，我问一下，你视频里面说的step和epoch的训练能不能再详细一点，涉及到batch数据训练事，是个怎么回事，有些代码里面将所有的的batchs训练完当成一个epoch，有些代码直接就把一个batch当成一个epoch，这样差别会很大吗

老师，请问下我把你的源码chapter-4导入到Jupyter，运行2-training-model.ipynb，结果训练出来的模型全是 Model: y = 0x1 + 0x2 + 0， 感觉没有生效，请问可能是什么原因， 是否是因为我是用的容器，硬件设备不能进行训练呢

第一圈计算损失值的时候就为 0 了，debug 看了下 ，loss_op = 1 / (2 * len(X_data)) * tf.matmul((y_pred - y), (y_pred - y), transpose_a=True) 里，1 需要改成 1.0；