超参数，一般是在搭建神经网络前，声明的参数，超参数不能直接从所搭建模型的训练过程中学习，需要预先定义。一般包括LR,BATCH（或称之为BATCH SIZE）,EPOCH，ITERATIONS（或称之为BATCH NUMBER）
LR 学习率，指的是神经网络在反向传播所用到的学习率，学习率设置过大，会导致loss震荡，学习难以收敛；设置过小，那么训练的过程将大大增加。学习率的调整是非常困难的，有的优化器（比如自己写的）具有自动调节学习率的功能，但是一般初始学习率还是需要通过超参数声明的。
BATCH（BATCH SIZE）指的是每次送入模型训练的一批数据的样本数。比如有100个数据，每次从100个数据中，随机抽取10个数据进行训练。BATCH的大小影响模型的优化程度和速度。同时其直接影响到GPU内存的使用情况，假如你GPU内存不大，该数值最好设置小一点。良好的BATCH使得单个epoch的迭代次数减少了，参数的调整也慢了，假如要达到相同的识别精度，需要更多的epoch。
EPOCH：一个epoch指代所有的数据送入网络中完成一次前向计算及反向传播的过程。EPOCH指的是有多少个epoch。当计算量很大时，将一个epoch分为多个batch。随着epoch数量的增加，神经网络中权重更新迭代的次数增多，曲线从最开始的欠拟合状态，慢慢进入优化拟合状态，最终进入过拟合。epoch大小与数据集的多样化程度有关，多样化程度越强，epoch应该越大。
Iterations：完成一次epoch所需的batch个数。也叫batch numbers。
