1）batch size 和 learning rate 要遵循一个线性缩放比例，
batch size 增大， learning rate 也要增大，
batch size 变小， learning rate 也要减小
举个直观的例子：
大batch + 大lr：就像拿着高清地图赶路，方向清晰误差小，不用在小岔路反复试探，大步走效率更高，模型用更可靠的梯度快速逼近最优解；
（如果大 batch 还用小学习率，就相当于“拿着精准地图却一步挪一毫米”，明明能快速到终点，却硬生生拖慢训练节奏。）
小batch + 小lr: 就像逐字啃冷门论文，盯着局部细节反复打磨，虽然慢，但是能扣到别人忽略的知识点，模型能捕捉到数据里的细微规律；
2）batch size 越小，参数更新越频繁；batch size 越大，则需要积累更多样本才更新一次；
大batch 的梯度更稳定，能支撑更大的学习率步长；
3）学习率太小的话就相当于步伐太小，没有学到任何东西。学习率太大的话，就可能直接跳过了最优解，在参数最优空间范围内震荡；
举个直观的例子：
你要走到山谷最低点（最优解），步长太小会走得慢，
但步长太大直接就跨到对面山坡上了，离最低点反而更远。
4）epoch 就是完整遍历一次训练数据集的次数，是控制模型训练时长的核心参数
举个直观的例子：
把训练数据集看作一本练习册，
1个 epoch 就等于把这本练习册从头到尾做完一遍；
2 个 epoch 就是把练习册完整做 2 遍。
5）模型参数更新次数=(训练集总样本数/batch size) 的向上取整数 x epoch 数
