AI：訓練神經網絡模型過程中batch_size，steps_per_epoch，epochs意義
batch_size：批大小。batch_size是計算效率和內存容量之間的平衡參數。若爲高性能GPU，可以設置更大的batch_size值。神經網絡訓練過程中，隨機梯度下降時，使用梯度的數量，即每次使用batch_size個數據樣本來訓練、更新權重參數。1次迭代等於使用batch_size個樣本訓練一次。
如果batch_size過小，訓練數據就會非常難收斂，導致欠擬合。
增大batch_size，處理速度加快，但對計算設備的內存需求也相應增大。
epochs：所有的訓練樣本完成一次Forword運算以及一次BP運算。所有圖像的訓練輪次，即使用所有樣本訓練一遍。一個epoch是所有訓練樣本的一輪正向傳遞和一輪反向傳遞。
例如，訓練數據集總共有1000個樣本。若batch_size=10，那麼訓練完全體樣本集需要100次迭代，1次epoch。
steps_per_epoch：一輪epoch包含的步數（每一步是batch_size個數據送入），使用TensorFlow數據Tensor輸入張量進行訓練時，默認None自動分割，即數據集樣本數/batch_size。
把訓練樣本的數量除以batch_size批大小得出。例如，總共有100張訓練圖片，且batch_size批大小爲50，則steps_per_epoch值爲2。
batch_size=全體數據集大小 / steps_per_epoch。如果設置batch_size的大小，那麼在fit_generator時 , steps_per_epoch = len(x_train) // (batch_size*epochs)
steps_per_epoch就是對於下一輪的epoch開始之前，調用generator產生準備數據的次數，generator必須每次返回batch_size個training樣本，那麼：
steps_per_epoch = total_samples//(batch_size)
這裏的//是整除，也可以使用numpy.ceil的函數向上取整，這樣做的目的是爲了捨棄最後不滿足batch_size的數據。
